diff --git a/QWEN.md b/QWEN.md
index d4a7b50..7d743fa 100644
--- a/QWEN.md
+++ b/QWEN.md
@@ -35,7 +35,13 @@
 
 ```
 src/dxa/
-├── labels.py       # имена -> метки, склейка дублей, разбиение по исследованиям
+├── labels.py       # имена -> метки, склейка дублей, разбиение, фиксация сплита
+├── excel_labels.py # разметка снимков по экспертной таблице (labels_images.csv)
+├── rename_files.py # приведение имён DICOM к виду область_NN[_метка]
+├── violations.py   # единый словарь типов нарушений (коды, подписи, коды SR)
+├── model_card.py   # карточка решения: разметка, данные, метрики, ограничения
+├── compare_labels.py # сравнение источников разметки на одном held-out наборе
+├── render.py       # рендер DICOM в PNG и контактные листы (для ручной проверки)
 ├── preprocess.py   # DICOM -> CHW-тензор (единый путь для обучения и API)
 ├── dataset.py      # DXADataset, DataLoader
 ├── model.py        # сеть, метрики, подбор порога, сохранение/загрузка
@@ -43,37 +49,47 @@ src/dxa/
 └── inference.py    # пакетный инференс, определение области, визуализация
 ```
 
+Артефакты вне кода: `labels/labels_images.csv|.xlsx` (официальная разметка),
+`labels/labels_images_{table,union,expert}.csv` (варианты правила и эталон),
+`labels/split_expert_seed42.json` (зафиксированное разбиение),
+`labels/rename_map.csv` (карта переименований), `docs/labeling.md`
+(как построена разметка и как выбиралось правило), `models/archive/`
+(прежние чекпоинты), `models/compare_rules/` (чекпоинты и отчёт сравнения правил).
+
 ### Ключевые решения (проверены экспериментально)
 
 | Решение | Причина |
 |---|---|
-| Метки из имён файлов: `_bad` > `_good` > нет метки (=good) | Явная оценка в имени файла; отсутствие метки означает «хорошее» |
+| Единый словарь типов нарушений (`src/dxa/violations.py`) | Коды, подписи и коды SR были в трёх копиях (инференс, `main.py`, `dxa-app.js`) и не знали кодов экспертной таблицы. Теперь подписи отдаёт сервер, фронт копий не держит |
+| Метки только из экспертной таблицы (правило `table`): `labels/labels_images.csv`, 77 нарушений | Таблица описывает исследование, но каждая область встречается в нём один раз, поэтому вердикт переносится на снимок однозначно. Правило выбрано измерением: учёт ручных пометок из имён файлов дал ROC-AUC 0.6199 против 0.6764, хуже на всех 5 seed'ах. См. `docs/labeling.md` |
 | Склейка побайтных дублей | 544 файла, но 252 уникальных снимка; без склейки снимок попадал в оба класса |
 | Разбиение по исследованиям, не по снимкам | Исключение утечки: снимки одного исследования в одной части |
 | Линейный зонд (замороженный backbone) | Полный fine-tune при ~250 снимках переобучается (val AUC → 0.5) |
-| Порог по логиту, подбор по F1 | При 15 % нарушений порог 0.5 даёт нулевой recall; вероятности насыщаются |
+| Порог по логиту, подбор по F1 | При доле нарушений около 30 % порог 0.5 даёт почти нулевой recall; вероятности насыщаются |
 | Аугментация выключена по умолчанию | Яркость и положение сами являются признаками качества: AUC 0.87 → 0.56 |
 | Область по ширине кадра | Позвоночник 300 px, бедро 280 px; 99/99 для позвоночника |
 | Панель деталей показывает измерения, а не вердикты | Эвристики `detailed_assessment` не калиброваны: `motion_detected`/`any_detected` истинны почти всегда, ROI-отступы срабатывают для 227/252 снимков |
 
 ### Проверка вклада модели
 
-Не является ли модель просто детектором анатомии (в позвоночнике ~29 % нарушений
-против ~4–5 % у бёдер, а область почти однозначно определяется по ширине кадра):
+Не является ли модель просто детектором анатомии (нарушений около трети и в
+позвоночнике, и у бёдер, а область почти однозначно определяется по ширине кадра):
 
 ```bash
 python -m src.dxa.discriminator --model-path models/dxa_model.pth
 ```
 
-Результат на чекпоинте `models/dxa_model.pth`:
+Результат на рабочем чекпоинте `models/dxa_model.pth` (оценка на всём наборе,
+включая обучающие снимки, поэтому значения смещены вверх):
 
 | Предиктор | Общий AUC | spine | hip_right | hip_left |
 |---|---|---|---|---|
-| Модель | 0.822 | 0.838 | 0.895 | 0.948 |
-| Правило «позвоночник = нарушение» | 0.724 | 0.500 | 0.500 | 0.500 |
+| Модель | 0.854 | 0.928 | 0.861 | 0.853 |
+| Правило «позвоночник = нарушение» | 0.529 | 0.500 | 0.500 | 0.500 |
 
-Модель использует содержимое снимка: внутри областей она даёт 0.84–0.95.
-Правило по области внутри области всегда 0.50 (подсказки нет).
+Модель использует содержимое снимка: внутри областей она даёт 0.85–0.93.
+Правило по области внутри области всегда 0.50 (подсказки нет). Честная оценка на
+held-out — в `docs/labeling.md` §8: ROC-AUC 0.6764 [0.6309, 0.7218] по пяти seed'ам.
 
 ## Данные (`dataset_hack/`)
 
@@ -89,37 +105,75 @@ dataset_hack/
 
 Факты, важные для обучения:
 
-- 544 файла на диске, но **252 уникальных снимка** (по пиксельному содержимому).
-- 86 файлов имеют явную метку; после склейки дублей — **37 нарушений из 252 (14.7 %)**.
+- 544 файла на диске, но **252 уникальных снимка** (по пиксельному содержимому)
+  на 100 исследований: позвоночник 99, бедро R 79, бедро L 73, 1 с неопределённой
+  областью.
+- Экспертная таблица отмечает нарушения у **74 снимков (29.4 %)**; три снимка
+  таблица область не оценивала.
+- Рабочая разметка (правило `table`) — **77 нарушений из 252 (30.6 %)**: 74 по
+  таблице плюс 3 снимка без экспертной оценки, помеченных `filename_fallback`.
 - Дубли не пересекают границы исследований, конфликтов меток при склейке нет.
-- Имена неоднородны: `spine_01`, `Spine`, `r_spine`, `spine-1`, `l_hip`,
-  `l_hip-2`, `r_hip`, `r_hop`.
-- В DICOM **нет** разметки ROI (ни OverlayData, ни GraphicAnnotationSequence),
-  поэтому корректность нанесённых областей нельзя проверить прямым сравнением.
-- Метка в Excel относится к исследованию и раздаётся его снимкам; имена файлов
-  имеют приоритет. Excel используется только для предупреждения о расхождениях.
+  Два побайтных дубля названы по-разному, поэтому область определяется
+  голосованием по именам файлов.
+- Имена файлов приведены к виду `<область>_<NN>[_good|_bad].dcm` (`spine`,
+  `l_hip`, `r_hip`); инструмент — `src/dxa/rename_files.py`, карта отката —
+  `labels/rename_map.csv`. Суффиксы `_good`/`_bad` проставлялись вручную, в
+  метках **не участвуют** — только как диагностический столбец
+  `quality_from_filename`: они расходились с оценкой эксперта в 15 случаях из 252.
+- В DICOM **нет** разметки ROI (ни OverlayData, ни GraphicAnnotationSequence) и
+  пусты теги `Laterality`/`ImageLaterality`, поэтому ни корректность областей, ни
+  сторону бедра нельзя проверить по метаданным.
+- Столбец `study` в таблице — имя каталога исследования, а **не**
+  StudyInstanceUID из DICOM (в датасете они разные, соответствие 1:1).
 
-### Единица разметки — источник шума
+### Единица разметки
 
-Один снимок в исследовании помечен `_bad`, остальные не размечены. Метка снимка
-считается унаследованной от исследования, поэтому часть меток заведомо шумная.
-Это главное ограничение текущего качества модели.
+Таблица описывает исследование, а не снимок. Однако каждая анатомическая область
+встречается в исследовании ровно один раз (после склейки дублей), поэтому вердикт
+исследования по области переносится на снимок однозначно — не нужно решать, какой
+из нескольких снимков «плохой». Так получены метки и типы нарушений
+(`labels/labels_images.csv`); каждый источник свидетельства сохранён в отдельном
+столбце, поэтому правило можно переиграть без повторного разбора. Почему выбрано
+именно правило «только таблица» — в `docs/labeling.md` §4.
 
 ---
 
 ## Обучение
 
 ```bash
-./run.sh train                                  # режим по умолчанию
+./run.sh label                                  # построить разметку снимков по Excel
+./run.sh rename                                 # план приведения имён файлов (--apply)
+./run.sh train                                  # режим по умолчанию (метки из таблицы)
 python -m src.dxa.train --dry-run               # проверить данные без обучения
+python -m src.dxa.train --labels-csv "" --dry-run   # режим меток из имён файлов
 python -m src.dxa.train --head mlp --freeze-epochs 0 --epochs 30
 ```
 
+Источник меток — `--labels-csv` (по умолчанию `labels/labels_images.csv` с правилом
+`table`; пустая строка возвращает метки из имён файлов, отсутствующий файл — откат
+к ним с предупреждением). Разбиение фиксируется (`--export-split` / `--split-file`),
+чтобы сравнивать варианты на одном held-out наборе:
+
+```bash
+./run.sh split && ./run.sh compare              # выбор правила разметки
+```
+
+`split` стратифицирует по эталону (`labels/labels_images_expert.csv`), `compare`
+прогоняет 5 seed'ов × 2 варианта и оценивает оба по этому же эталону; отчёт —
+`models/compare_rules/rule_comparison.md`. Возобновить без переобучения —
+`./run.sh compare --skip-training`.
+
 Артефакты в `--output-dir`: `dxa_model.pth` (веса, порог, параметры
 предобработки), `train_report.md`, `train_report.json`.
 
-Чекпоинт самодостаточен: `backbone`, `head`, `preprocess`, `threshold_logit`
-хранятся внутри, поэтому инференс не может рассинхронизироваться с обучением.
+Чекпоинт самодостаточен: `backbone`, `head`, `preprocess`, `threshold`, а также
+`labels_csv` и `split_file` хранятся внутри, поэтому инференс не может
+рассинхронизироваться с обучением, а по файлу видно, на какой разметке он обучен.
+
+Рабочий чекпоинт — `models/dxa_model.pth` (правило `table`, seed 42 по умолчанию,
+эпоха 39, порог логита −0.4930 → вероятность 0.379; val ROC-AUC 0.6706 при
+честной оценке 0.6764 [0.6309, 0.7218] по пяти seed'ам). Прежние чекпоинты —
+в `models/archive/` (см. README внутри), откат одной командой `cp`.
 
 ---
 
@@ -128,7 +182,8 @@ python -m src.dxa.train --head mlp --freeze-epochs 0 --epochs 30
 | Метод | Путь | Назначение |
 |---|---|---|
 | GET | `/` | Веб-интерфейс |
-| GET | `/api/v1/health` | Статус, признак загрузки модели |
+| GET | `/api/v1/health` | Статус, признак загрузки модели и её происхождение (разметка, разбиение, порог, эпоха) |
+| GET | `/api/v1/model` | Карточка решения: разметка, данные, метрики с интервалами, словарь нарушений, ограничения |
 | POST | `/api/v1/analyze` | Базовый анализ файла |
 | POST | `/api/v1/analyze/detailed` | Расширенный отчёт, опционально маска |
 | POST | `/api/v1/analyze/sr` | Текстовый отчёт DICOM SR |
@@ -146,11 +201,19 @@ API и CLI используют один код предсказания (`predi
 
 ```bash
 ./run.sh test
-python -m pytest tests/ -q        # 79 тестов
+python -m pytest tests/ -q        # 208 тестов
 ```
 
 - `tests/test_labels.py` — разбор имён, склейка дублей, отсутствие утечки при
-  разбиении.
+  разбиении, фиксация разбиения в файле (`export_split` / `load_split`).
+- `tests/test_rename_files.py` — приведение имён: разбор, поиск свободного
+  номера при конфликте, отказ от угадывания области, цикл «применить → откатить».
+- `tests/test_excel_labels.py` — разметка по экспертной таблице: чтение
+  критериев, «1 = нарушение», голосование по области, перенос оценки на
+  единственное бедро, три правила метки (`table` / `union` / `expert`) и их
+  согласованность, подключение к обучению.
+- `tests/test_violations.py` — единый словарь типов: коды и подписи, коды SR,
+  приведение устаревших значений, согласованность с критериями таблицы.
 - `tests/test_preprocess_and_model.py` — предобработка, метрики, подбор порога,
   контракт модели, BatchNorm при заморозке, roundtrip чекпоинта.
 - `tests/test_api_contract.py` — поля ответов, которые читает `dxa-app.js`
@@ -165,10 +228,24 @@ python -m pytest tests/ -q        # 79 тестов
 панели деталей. Используется временный профиль Chrome, профиль пользователя не
 затрагивается. Требуется запущенный сервер на `127.0.0.1:8123`.
 
-- `ui_check.js` — значения панели меняются при переключении строк.
+- `ui_check.js` — подсказка о кликабельности строк видна и скрывается, когда
+  фильтр не оставил строк; кнопка «Открыть» в строке открывает панель деталей;
+  значения панели меняются при переключении строк; панель «О модели» наполняется
+  метриками и словарём (иначе раздел остался бы пустым каркасом).
 - `ui_violation.js` — ветка «нарушение» (бейдж, POOR, HIGH, заключение).
 - `ui_offline.js` — страница не обращается к внешним хостам.
 
+### Честность интерфейса
+
+Веб-интерфейс не должен утверждать больше, чем известно решению, поэтому:
+
+- тип нарушения показан с пометкой «эвристика» и пояснением, что модель решает
+  только бинарную задачу;
+- ROC-AUC рабочего чекпоинта в баннере состояния помечена как завышенная (он
+  выбран лучшим из пяти seed'ов), а честная оценка лежит в панели «О модели»;
+- плитка средней уверенности не называется точностью;
+- подписи типов и метрики приходят с сервера (`/api/v1/model`), копий в JS нет.
+
 ### Офлайн-работа фронтенда
 
 Tailwind и FontAwesome лежат локально (`src/api/static/vendor`,
@@ -180,11 +257,21 @@ Tailwind и FontAwesome лежат локально (`src/api/static/vendor`,
 
 ## Известные ограничения
 
-1. Разметка на уровне исследования → шум в метках снимков.
-2. Мало данных: 252 снимка, 37 нарушений; доверительные интервалы широкие.
-3. Тип нарушения определяется эвристиками, а не обученной моделью.
-4. Порог `SPINE_MIN_WIDTH` привязан к текущему оборудованию.
-5. Grad-CAM (`src/models/visualization/gradcam.py`) есть, но не подключён.
+1. Разметка снимков выведена из таблицы, описывающей исследование: поштучной
+   экспертной оценки снимков в наборе нет. Оценка качества модели упирается в
+   качество этой разметки, а не только в объём данных.
+2. Мало данных: 252 снимка, 77 нарушений; доверительные интервалы широкие
+   (ROC-AUC 0.6764 [0.6309, 0.7218] по пяти seed'ам).
+3. Эталон оценки — та же экспертная таблица, независимой истины нет; сравнение
+   правил разметки частично благоприятствует варианту «только таблица».
+4. Тип нарушения определяется эвристиками, а не обученной моделью; 5 снимков
+   имеют только `unspecified`, потому что источник не указывает критерий.
+5. Три снимка без экспертной оценки размечены по пометке в имени файла и помечены
+   `filename_fallback`.
+6. Сторона бедра в 7 исследованиях с единственным снимком не проверяема: теги
+   `Laterality` пусты, оценка взята из единственного заполненного столбца.
+7. Порог `SPINE_MIN_WIDTH` привязан к текущему оборудованию.
+8. Grad-CAM (`src/models/visualization/gradcam.py`) есть, но не подключён.
 
 ## Устаревший код (не подключён к API)
 
@@ -207,6 +294,10 @@ docker build -t dxa-quality .
 docker run -v /path/to/data:/data -p 8000:8000 dxa-quality
 ```
 
-Dockerfile ставит зафиксированные версии, копирует только `src/`, `models/` и
-`run.sh`, проверяет чекпоинт на этапе сборки и имеет HEALTHCHECK. Данные и тесты
-в образ не попадают (`.dockerignore`).
+Dockerfile ставит зафиксированные версии, копирует только `src/` и `run.sh`,
+проверяет импорт приложения и наличие офлайн-ассетов фронтенда на этапе сборки и
+имеет HEALTHCHECK. Чекпоинт в образ не копируется — он монтируется в `/app/models`
+при запуске (`DXA_MODEL_PATH`). Данные, тесты и `labels/` в образ не попадают
+(`.dockerignore`), поэтому `./run.sh train` внутри контейнера возьмёт метки из
+имён файлов (с предупреждением); для обучения в контейнере смонтируйте `labels/`
+или передайте свой `--labels-csv`.
diff --git a/README.md b/README.md
index ec6145d..4e72d09 100644
--- a/README.md
+++ b/README.md
@@ -4,6 +4,10 @@
 принимает DICOM, определяет анатомическую область, оценивает, пригодно ли изображение
 для клинической интерпретации, и формирует структурированный отчёт.
 
+<div align="center">
+  <img src="assets/img/ui-results.png" alt="Результаты обработки в веб-интерфейсе: полоса состояния, статистика и таблица снимков" width="90%">
+</div>
+
 ## Что делает решение
 
 | Шаг | Реализация |
@@ -13,7 +17,7 @@
 | Тип нарушения | Общая категория для снимков с нарушением; детальный тип требует разметки типов на уровне снимка |
 | Отчёт | XLSX/CSV со столбцами из требований; опционально zip с визуализацией зоны интереса |
 | API | FastAPI: анализ, детальный анализ, пакетная обработка, экспорт, DICOM SR (текст) |
-| Веб-интерфейс | Загрузка DICOM, таблица результатов, панель деталей с визуализацией |
+| Веб-интерфейс | Загрузка DICOM, таблица результатов, панель деталей с визуализацией, панель «О модели» |
 
 ## Установка и запуск
 
@@ -21,9 +25,12 @@
 python3 -m venv venv && source venv/bin/activate
 pip install -r requirements.txt
 
+./run.sh label                                        # разметить датасет по Excel
+./run.sh rename                                       # план приведения имён файлов
 ./run.sh train                                        # обучить модель качества
 ./run.sh infer "dataset_hack/Для теста" results.xlsx  # пакетная обработка
 ./run.sh serve                                        # API и веб-интерфейс на :8000
+./run.sh split && ./run.sh compare                    # сравнить варианты разметки
 ./run.sh test                                         # тесты
 ```
 
@@ -60,6 +67,12 @@ docker run -v /path/to/data:/data -p 8000:8000 dxa-quality
 
 ## Архитектура
 
+<div align="center">
+  <img src="assets/img/architecture-pipeline.png" alt="Пайплайн обработки DXA: загрузка DICOM, разбор метаданных, предобработка, инференс, определение области, метрики качества, отчёт" width="52%">
+</div>
+
+Схема работающего пути в терминах решения:
+
 ```
 DICOM ──▶ предобработка ──▶ ResNet18 (заморожен) ──▶ линейная голова ──▶ логит
               │                                            │
@@ -77,9 +90,15 @@ DICOM ──▶ предобработка ──▶ ResNet18 (замороже
    ≈ 0.7–0.85. Режим `--head mlp --freeze-epochs 0` оставлен для экспериментов
    на большем объёме данных.
 
-2. **Метки из имён файлов.** Суффикс `_good`/`_bad` — экспертная оценка снимка;
-   отсутствие суффикса означает «изображение хорошее». Приоритет:
-   `_bad` > `_good` > нет метки.
+2. **Метки на уровне снимка.** Источник — `labels/labels_images.csv`, построенный
+   из экспертной таблицы командой `./run.sh label` (разбор — в
+   `assets/labeling.md`): в таблице отмечены критерии качества по каждому
+   исследованию, а каждая область встречается в нём ровно один раз, поэтому
+   вердикт переносится на снимок однозначно. Такой разметки — 77 нарушений из
+   252 (30.6 %). Правило выбрано измерением: учёт ручных пометок из имён файлов
+   дал худший результат на held-out наборе, поэтому в метках они не участвуют.
+   Резервный режим `--labels-csv ""` берёт метку из суффикса `_good`/`_bad` и
+   оставлен для совместимости.
 
 3. **Склейка побайтных дублей.** В датасете 544 файла, но 252 уникальных снимка:
    один и тот же кадр сохранён многократно под разными именами (часть — с меткой,
@@ -97,6 +116,25 @@ DICOM ──▶ предобработка ──▶ ResNet18 (замороже
    Порог подбирается по F1 на валидации и сохраняется в чекпоинт; решение
    принимается по логиту (численно устойчиво при насыщении вероятностей).
 
+### Схемы системы
+
+| Компоненты | Поток данных |
+|---|---|
+| <img src="assets/img/architecture-components.png" width="100%" alt="Диаграмма компонентов: веб-клиент, FastAPI, модели DXA, оценка качества, файловая система"> | <img src="assets/img/architecture-dataflow.png" width="100%" alt="Поток данных: вход, предобработка, модели, анализ качества, выход"> |
+
+| Последовательность детального анализа | Развёртывание |
+|---|---|
+| <img src="assets/img/architecture-sequence.png" width="100%" alt="Диаграмма последовательности: запрос /analyze/detailed, предобработка, инференс, регион, сегментация, отчёт"> | <img src="assets/img/architecture-deployment.png" width="100%" alt="Диаграмма развёртывания: клиент, приложение, ML-пайплайн, инфраструктура"> |
+
+| Определение анатомической области | Основные сущности |
+|---|---|
+| <img src="assets/img/architecture-region-detection.png" width="100%" alt="Алгоритм определения области: порог по перцентилю яркости, bounding box, соотношение сторон, сторона бедра"> | <img src="assets/img/architecture-classes.png" width="100%" alt="Диаграмма классов: классификатор, модель, детальная оценка, определение области"> |
+
+Схемы взяты из проектного документа и показывают целевую архитектуру: блоки
+`Orchestrator`, UNet-сегментации и готовых вердиктов качества в API не подключены.
+Работающий путь описан выше, неподключённые модули перечислены в разделе
+«Структура проекта».
+
 ---
 
 ## Формат выходных данных
@@ -122,7 +160,8 @@ DICOM ──▶ предобработка ──▶ ResNet18 (замороже
 | Метод | Путь | Назначение |
 |---|---|---|
 | GET | `/` | Веб-интерфейс |
-| GET | `/api/v1/health` | Статус и признак загрузки модели |
+| GET | `/api/v1/health` | Статус, признак загрузки модели и её происхождение |
+| GET | `/api/v1/model` | Карточка решения: разметка, данные, метрики с интервалами, словарь нарушений |
 | POST | `/api/v1/analyze` | Базовый анализ одного файла |
 | POST | `/api/v1/analyze/detailed` | Расширенный отчёт, опционально маска |
 | POST | `/api/v1/analyze/sr` | Текстовое представление отчёта DICOM SR |
@@ -139,37 +178,136 @@ curl -X POST http://localhost:8000/api/v1/analyze -F "file=@study/spine.dcm"
   "image_uid": "1.2.643...",
   "anatomical_region": "spine",
   "quality_class": 1,
-  "quality_label": "Violation detected",
-  "violation_type": "quality_violation_detected",
-  "reason": "Выявлено нарушение качества изображения",
+  "quality_label": "Есть нарушение качества",
+  "violation_type": "artifact",
+  "violation_type_label": "Артефакты и импланты",
+  "violation_type_is_heuristic": true,
+  "violation_type_note": "Тип нарушения определён эвристикой по метрикам снимка, а не моделью...",
+  "reason": "Посторонние включения или артефакты в зоне интереса",
   "confidence": 0.72,
-  "threshold_probability": 0.6154,
+  "threshold_probability": 0.5103,
   "processing_status": "Success"
 }
 ```
 
+Коды `violation_type` берутся из единого словаря `src/dxa/violations.py`
+(`positioning`, `axis_deviation`, `artifact`, `rotation`, `roi_incorrect`,
+`motion`, `incomplete_anatomy`, `labeling_error`, `unspecified`) — первые пять
+кодирует экспертная таблица, остальные приходят из критериев пригодности. Поле
+`violation_type_is_heuristic` показывает, что тип определён эвристикой, а не
+моделью: модель решает только бинарную задачу. Подписи для интерфейса отдаёт
+сервер, своей копии словаря фронтенд не держит.
+
+---
+
+## Веб-интерфейс
+
+Полоса состояния в шапке показывает, **какая** модель сейчас работает: имя
+чекпоинта, источник разметки, эпоху и порог. По интерфейсу сразу видно, какая
+версия решения отвечает, — без обращения к логам.
+
+<div align="center">
+  <img src="assets/img/ui-banner.png" alt="Полоса состояния: загруженная модель, разметка, эпоха, порог" width="90%">
+</div>
+
+Строки таблицы результатов кликабельны, но об этом надо сказать прямо — иначе
+не догадываются. Над таблицей висит подсказка «Нажмите на любую строку», в конце
+каждой строки есть кнопка «Открыть», а клик по строке прокручивает страницу к
+панели деталей. Подсказка скрывается, когда фильтр не оставил ни одной строки.
+Кнопка «Открыть» — настоящая кнопка, поэтому панель доступна и с клавиатуры
+(Tab + Enter), а не только мышью. Сама таблица со статистикой и подсказкой — на
+первом скриншоте.
+
+Панель деталей открывается по клику на строку: заключение, измерения и
+визуализация снимка. Специально показаны обе ветки — «нарушение» и «норма»:
+
+<table>
+  <tr>
+    <td width="50%"><img src="assets/img/ui-detail-violation.png" width="100%" alt="Панель деталей для снимка с нарушением: красный бейдж, уровень HIGH, заключение с вероятностью и порогом, визуализация"></td>
+    <td width="50%"><img src="assets/img/ui-detail-clean.png" width="100%" alt="Панель деталей для качественного снимка: зелёный бейдж, справочные измерения"></td>
+  </tr>
+  <tr>
+    <td><sub><b>Нарушение.</b> Бейдж «Нарушение», уровень HIGH, заключение с вероятностью и порогом, тип нарушения с пометкой «эвристика».</sub></td>
+    <td><sub><b>Норма.</b> Зелёный бейдж. Измерения (резкость, границы области) подписаны как справочные — их пороги не калиброваны.</sub></td>
+  </tr>
+</table>
+
+Панель **«О модели»** (кнопка в шапке): что за чекпоинт работает, на какой
+разметке он обучен, с каким порогом решает, метрики сравнения с 95 % интервалами,
+состав данных, словарь типов нарушений и список ограничений.
+
+<div align="center">
+  <img src="assets/img/ui-model-panel.png" alt="Панель «О модели»: сведения о чекпоинте, метрики с интервалами, состав данных, словарь нарушений" width="90%">
+</div>
+
+Источник всех этих значений — сервер (`/api/v1/health`, `/api/v1/model`).
+Фронтенд намеренно не держит собственных копий: раньше подписи типов нарушений
+были продублированы в `dxa-app.js` и разошлись с серверными, из-за чего коды
+экспертной таблицы показывались как есть.
+
+Что интерфейс теперь не утверждает:
+
+- **тип нарушения помечен как «эвристика»** с пояснением — модель решает только
+  бинарную задачу и тип не предсказывает;
+- **метрика рабочего чекпоинта помечена как завышенная** прямо в баннере
+  состояния и в карточке: чекпоинт выбран лучшим из пяти seed'ов, честная
+  оценка варианта — среднее по seed'ам;
+- **плитка «Ср. уверенность модели»** больше не называется точностью: точность
+  требует эталонных меток, которых для произвольного файла нет;
+- числовые метрики в панели деталей по-прежнему идут под дисклеймером о
+  некалиброванности порогов.
+
 ---
 
 ## Метрики
 
 Метрики зависят от выбранного разбиения по исследованиям, поэтому приводятся
-с разбросом. Оценка на валидационной части (19 исследований, 51 снимок,
-8 нарушений), разбиение по исследованиям:
+с разбросом. Основная оценка — на **фиксированном** разбиении по исследованиям
+(обучение 199 снимков / 81 исследование, валидация 53 снимка / 19 исследований,
+16 нарушений), пять seed'ов обучения, эталон — вердикт эксперта:
 
 | Что измерено | Значение | Как измерено |
 |---|---|---|
-| ROC-AUC, 5 разбиений | **0.76 ± 0.08** (0.64 – 0.84) | обучение по seed 0..4, порог по F1 |
-| PR-AUC, 5 разбиений | 0.48 ± 0.17 | там же; базовый уровень при 15 % нарушений — 0.15 |
-| F1, 5 разбиений | 0.54 ± 0.11 | там же (порог подобран на той же валидации — смещено вверх) |
-| ROC-AUC, 5-фолдовая CV | **0.81 ± 0.08** | линейный зонд на тех же признаках, разбиение по исследованиям |
+| ROC-AUC | **0.6764** [0.6309, 0.7218] | 5 seed'ов на фиксированном разбиении |
+| PR-AUC | 0.4759 [0.4141, 0.5377] | там же; базовый уровень при 30 % нарушений — 0.30 |
+| F1 | 0.5676 [0.5270, 0.6082] | там же; порог подобран на той же валидации — смещено вверх |
+| ROC-AUC по областям | позвоночник 0.943, бедро R 0.576, бедро L 0.550 | рабочий чекпоинт, собственная валидация |
 | Контрольная задача «позвоночник / бедро» | AUC 1.00 | проверка работоспособности пайплайна |
-| Перестановка меток (нулевая гипотеза) | AUC 0.64 | вклад случайных корреляций |
+| Модель использует снимок, а не область | AUC 0.854 против 0.529 у правила области | `discriminator` на всём наборе, включая обучающие снимки |
 
 Метрики по областям — в `models/train_report.md`, он создаётся при обучении.
-Разбивка важна, потому что нарушения распределены крайне неравномерно: в
-позвоночнике ~29 % снимков с нарушением против ~4–5 % у бёдер, а область почти
-однозначно определяется по ширине кадра. Поэтому общий AUC частично отражает
-различение области, а не только распознавание дефекта.
+Разбивка важна, потому что нарушения распределены неравномерно: в позвоночнике
+33 из 99, у бёдер 21–22 из 73–79, а область почти однозначно определяется по
+ширине кадра. Поэтому общий AUC частично отражает различение области, а не только
+распознавание дефекта.
+
+### Выбор правила разметки
+
+Метку можно было строить только из экспертной таблицы или дополнительно
+учитывать пометки, проставленные вручную в именах файлов (суффикс `_bad`).
+Пометки расходились с оценкой эксперта в 15 случаях из 252, поэтому правило
+выбиралось измерением: одно разбиение, пять seed'ов, один эталон.
+
+| Метрика (эталон) | только таблица | с суффиксами имён |
+|---|---|---|
+| ROC-AUC | **0.6764** [0.6309, 0.7218] | 0.6199 [0.5840, 0.6559] |
+| PR-AUC | **0.4759** [0.4141, 0.5377] | 0.4046 [0.3702, 0.4391] |
+| F1 | **0.5676** [0.5270, 0.6082] | 0.5426 [0.5073, 0.5778] |
+| Recall / Precision | 0.700 / 0.486 | 0.863 / 0.404 |
+
+Парная разница (только таблица − с суффиксами): ROC-AUC **+0.0564**
+[+0.0403, +0.0725], PR-AUC **+0.0713** [+0.0398, +0.1028] — знаки `+++++`, то
+есть преимущество на всех пяти seed'ах.
+
+**Принято правило «только экспертная таблица».** Пометки в именах файлов
+проставлялись вручную и оказались ненадёжными: они ухудшали согласие модели с
+экспертом на невиданных исследованиях. Оговорка: эталон — та же таблица, поэтому
+вариант, обучавшийся на ней, в выигрышном положении; значимо то, что добавление
+ненадёжных пометок согласие **снижает**.
+
+Отчёт с полными числами и разбором ограничений — `assets/labeling.md`;
+машинные отчёты — `models/compare_rules/rule_comparison.md` и
+`models/train_report.json`.
 
 Время обработки одного снимка — порядка 0.02–0.05 с на CPU (ResNet18 с
 замороженным backbone), то есть требование «не более 3 минут на исследование»
@@ -179,11 +317,12 @@ curl -X POST http://localhost:8000/api/v1/analyze -F "file=@study/spine.dcm"
 
 ## Ограничения (важно для интерпретации)
 
-1. **Разметка исходных данных — на уровне исследования, а не снимка.**
-   В наборе один снимок помечен `_bad`, остальные снимки того же исследования
-   не размечены. Метка снимка считается унаследованной от исследования, поэтому
-   часть меток заведомо шумная.
-2. **Мало данных.** 252 уникальных снимка, 37 нарушений. Доверительные интервалы
+1. **Разметка выведена из оценки исследования.** Экспертная таблица описывает
+   исследование, а не снимок; перенос однозначен (область встречается один раз),
+   но поштучной экспертной оценки снимков в наборе нет. Происхождение каждой
+   строки зафиксировано в `labels/labels_images.csv`. Разбор — в
+   `assets/labeling.md`.
+2. **Мало данных.** 252 уникальных снимка, 77 нарушений. Доверительные интервалы
    широкие; оценка на закрытом наборе может отличаться.
 3. **Тип нарушения определяется эвристиками, а не обученной моделью.** Для
    честного мультикласса нужна разметка типов на уровне снимка.
@@ -209,11 +348,15 @@ curl -X POST http://localhost:8000/api/v1/analyze -F "file=@study/spine.dcm"
 
 | Проверка | Команда | Результат |
 |---|---|---|
-| Модель использует снимок, а не только область | `python -m src.dxa.discriminator` | AUC 0.82 против 0.72 у правила «позвоночник = нарушение»; внутри областей у модели 0.84–0.95, у правила 0.50 |
-| Контракт API для веб-интерфейса | `python -m pytest tests/test_api_contract.py` | 15 тестов: поля панели деталей, различимость метрик, PNG-визуализации, отсутствие некалиброванных вердиктов |
-| Разметка и разбиение данных | `python -m pytest tests/test_labels.py` | метки из имён, склейка дублей, отсутствие утечки между train/val |
+| Модель использует снимок, а не только область | `python -m src.dxa.discriminator` | AUC 0.854 против 0.529 у правила «позвоночник = нарушение»; внутри областей у модели 0.85–0.93, у правила 0.50 |
+| Контракт API для веб-интерфейса | `python -m pytest tests/test_api_contract.py` | поля панели деталей, различимость метрик, PNG-визуализации, отсутствие некалиброванных вердиктов, канонические коды типов нарушений, карточка модели |
+| Единый словарь нарушений | `python -m pytest tests/test_violations.py` | коды, подписи, коды SR, приведение устаревших значений, согласованность с таблицей |
+| Разметка и разбиение данных | `python -m pytest tests/test_labels.py` | склейка дублей, разбор имён, фиксация разбиения, отсутствие утечки между train/val |
+| Имена DICOM-файлов | `python -m pytest tests/test_rename_files.py` | разбор имён, поиск свободного номера при конфликте, отказ от угадывания области, цикл «применить → откатить» |
+| Разметка по экспертной таблице | `python -m pytest tests/test_excel_labels.py` | чтение критериев, голосование по области, перенос на единственное бедро, правила `table`/`union`/`expert`, подключение к обучению |
+| Выбор правила метки | `./run.sh split && ./run.sh compare` | ROC-AUC 0.6764 против 0.6199 по эталону, парная Δ +0.0564 [+0.0403, +0.0725], 5/5 seed'ов в пользу экспертной таблицы |
 | Метрики и порог | `python -m pytest tests/test_preprocess_and_model.py` | подбор порога при дисбалансе, roundtrip чекпоинта, BatchNorm |
-| Веб-интерфейс в браузере | `node tests/browser/ui_check.js` | значения панели меняются при переключении строк |
+| Веб-интерфейс в браузере | `node tests/browser/ui_check.js` | подсказка о кликабельности строк видна и скрывается на пустом фильтре; кнопка «Открыть» открывает панель; значения панели меняются при переключении строк; панель «О модели» наполняется метриками и словарём |
 | Работа без сети | `node tests/browser/ui_offline.js` | ноль внешних запросов, стили и иконки на месте |
 
 Браузерные проверки требуют запущенного сервера:
@@ -244,6 +387,13 @@ bone_2026/
 │   ├── main.py                     # FastAPI: маршруты и загрузка модели
 │   ├── dxa/                        # действующий модуль оценки качества
 │   │   ├── labels.py               # разбор имён, метки, склейка дублей, сплит
+│   │   ├── excel_labels.py         # разметка снимков по экспертной таблице
+│   │   ├── rename_files.py         # приведение имён DICOM к единому виду
+│   │   ├── violations.py           # единый словарь типов нарушений (коды, подписи)
+│   │   ├── model_card.py           # карточка решения для /api/v1/model и интерфейса
+│   │   ├── compare_labels.py       # сравнение источников разметки на одном наборе
+│   │   ├── discriminator.py        # проверка вклада содержимого снимка
+│   │   ├── render.py               # рендер снимков и контактных листов
 │   │   ├── preprocess.py           # DICOM -> тензор (общий для обучения и API)
 │   │   ├── dataset.py              # Dataset и DataLoader
 │   │   ├── model.py                # сеть, метрики, подбор порога
@@ -252,8 +402,18 @@ bone_2026/
 │   ├── quality/                    # эвристики (частично используются API)
 │   ├── api/static/                 # веб-интерфейс
 │   └── model/, core/, pipeline/    # устаревшие модули, не подключены к API
-├── models/dxa_model.pth            # чекпоинт (+ train_report.md)
-├── tests/                          # pytest: метки, сплит, метрики, модель
+├── labels/labels_images.csv        # разметка снимков: официальная (+ .xlsx)
+├── labels/labels_images_table.csv  # вариант «только таблица» (то же, что выше)
+├── labels/labels_images_union.csv  # вариант «таблица или суффикс имени»
+├── labels/labels_images_expert.csv # эталон для оценки: только снимки с оценкой
+├── labels/split_expert_seed42.json # зафиксированное разбиение (19 исследований)
+├── labels/rename_map.csv           # карта переименований файлов (для отката)
+├── assets/img/                     # схемы архитектуры и скриншоты интерфейса
+├── assets/labeling.md              # как построена разметка и как сравнивались варианты
+├── models/dxa_model.pth            # рабочий чекпоинт (+ train_report.md)
+├── models/archive/                 # прежние чекпоинты (см. README внутри)
+├── models/compare_rules/           # чекпоинты и отчёт сравнения правил метки
+├── tests/                          # pytest: метки, сплит, метрики, модель, API
 ├── dataset_hack/                   # данные (в git не хранятся)
 ├── Dockerfile
 ├── requirements.txt
@@ -270,6 +430,8 @@ python -m src.dxa.train --epochs 100 --output-dir models
 |---|---|---|
 | `--data-root` | `dataset_hack` | Каталог датасета |
 | `--annotation-path` | `dataset_hack/НД_для_обучения/разметка.xlsx` | Excel с разметкой (только отчёт о расхождениях) |
+| `--labels-csv` | `labels/labels_images.csv` | Разметка снимков из `./run.sh label`; пустая строка — метки из имён файлов; отсутствующий файл — откат к именам с предупреждением |
+| `--split-file` | — | Зафиксированное разбиение из `./run.sh split`; одинаковый held-out набор для сравнения вариантов разметки |
 | `--backbone` | `resnet18` | `resnet18` / `resnet34` |
 | `--head` | `linear` | `linear` (линейный зонд) / `mlp` |
 | `--freeze-epochs` | `-1` | `-1` — backbone заморожен всегда; `0` — обучать всю сеть |
diff --git a/assets/img/architecture-classes.png b/assets/img/architecture-classes.png
new file mode 100644
index 0000000..abe152a
Binary files /dev/null and b/assets/img/architecture-classes.png differ
diff --git a/assets/img/architecture-components.png b/assets/img/architecture-components.png
new file mode 100644
index 0000000..9519af8
Binary files /dev/null and b/assets/img/architecture-components.png differ
diff --git a/assets/img/architecture-dataflow.png b/assets/img/architecture-dataflow.png
new file mode 100644
index 0000000..f29290c
Binary files /dev/null and b/assets/img/architecture-dataflow.png differ
diff --git a/assets/img/architecture-deployment.png b/assets/img/architecture-deployment.png
new file mode 100644
index 0000000..44ffd64
Binary files /dev/null and b/assets/img/architecture-deployment.png differ
diff --git a/assets/img/architecture-pipeline.png b/assets/img/architecture-pipeline.png
new file mode 100644
index 0000000..f3fd6ac
Binary files /dev/null and b/assets/img/architecture-pipeline.png differ
diff --git a/assets/img/architecture-region-detection.png b/assets/img/architecture-region-detection.png
new file mode 100644
index 0000000..4784a76
Binary files /dev/null and b/assets/img/architecture-region-detection.png differ
diff --git a/assets/img/architecture-sequence.png b/assets/img/architecture-sequence.png
new file mode 100644
index 0000000..50fdae7
Binary files /dev/null and b/assets/img/architecture-sequence.png differ
diff --git a/assets/img/ui-banner.png b/assets/img/ui-banner.png
new file mode 100644
index 0000000..5b1a3fa
Binary files /dev/null and b/assets/img/ui-banner.png differ
diff --git a/assets/img/ui-detail-clean.png b/assets/img/ui-detail-clean.png
new file mode 100644
index 0000000..c6f1c35
Binary files /dev/null and b/assets/img/ui-detail-clean.png differ
diff --git a/assets/img/ui-detail-violation.png b/assets/img/ui-detail-violation.png
new file mode 100644
index 0000000..0810d2d
Binary files /dev/null and b/assets/img/ui-detail-violation.png differ
diff --git a/assets/img/ui-model-panel.png b/assets/img/ui-model-panel.png
new file mode 100644
index 0000000..d97578a
Binary files /dev/null and b/assets/img/ui-model-panel.png differ
diff --git a/assets/img/ui-results.png b/assets/img/ui-results.png
new file mode 100644
index 0000000..6c1255d
Binary files /dev/null and b/assets/img/ui-results.png differ
diff --git a/assets/labeling.md b/assets/labeling.md
new file mode 100644
index 0000000..7bdf25b
--- /dev/null
+++ b/assets/labeling.md
@@ -0,0 +1,214 @@
+# Разметка датасета и выбор правила метки
+
+Документ описывает, откуда берутся метки снимков, как проверялось правило
+разметки и какие результаты из этого следуют. Числа проверяемы: ссылки на
+источники приведены рядом.
+
+## 1. Задача разметки
+
+Экспертная оценка в наборе сделана на уровне **исследования**: в таблице
+`разметка.xlsx` по каждому исследованию отмечены критерии качества, а не по
+отдельному снимку. Модель же работает со снимками, поэтому вердикт исследования
+нужно было перенести на каждый снимок — без догадок и без потери информации о
+том, откуда метка взялась.
+
+## 2. Экспертная таблица
+
+Столбцы (две строки заголовков, данные с третьей):
+
+| Столбец | Смысл | Тип нарушения |
+|---|---|---|
+| 2 | Позвоночник: укладка | `positioning` |
+| 3 | Позвоночник: ось | `axis_deviation` |
+| 4 | Позвоночник: артефакты, наложения | `artifact` |
+| 5, 6 | Бедро R: позиционирование/ротация, область интереса | `rotation`, `roi_incorrect` |
+| 7, 8 | Бедро L: то же | `rotation`, `roi_incorrect` |
+| 9, 10, 11 | Итог по области | — |
+| 12 | Комментарий эксперта | — |
+
+**Семантика значений** установлена по данным, а не по формулировкам заголовков:
+
+- `1` в столбце критерия означает **нарушение**, хотя часть заголовков
+  сформулирована положительно («корректная укладка»);
+- итог области равен логическому ИЛИ критериев: бёдра 72/72 и 78/78,
+  позвоночник 96/99;
+- три расхождения позвоночника (два случая «итог без критериев», один «критерий
+  без итога») трактуются как нарушение — по правилу «хотя бы один существенный
+  пункт нарушен»;
+- заполненность: позвоночник 99/100, бедро R 72/100, бедро L 78/100; у 23
+  исследований есть комментарий.
+
+## 3. Перенос вердикта на снимок
+
+| Шаг | Что делается | Почему так |
+|---|---|---|
+| Ключ склейки | имя каталога исследования | таблица ссылается на каталог (`2.25…`), а в DICOM лежит другой идентификатор (`1.2.643…`); соответствие каталог → тег 100/100 |
+| Склейка дублей | по хешу пиксельных данных | 544 файла — это 252 уникальных снимка |
+| Область снимка | голосование по именам файлов группы | один снимок назван и как позвоночник, и как бедро; при равенстве голосов область остаётся неопределённой (такой снимок один) |
+| Вердикт | оценка области переносится на её снимок | **каждая область встречается в исследовании ровно один раз**, поэтому не нужно решать, какой из нескольких снимков «плохой» |
+| Сторона бедра | при единственном снимке бедра берётся единственный заполненный столбец | в 71 из 72 исследований с двумя бёдрами столбцы совпадают с именами файлов; в 7 исследованиях с одним снимком заполнена противоположная сторона. Факт переноса фиксируется флагом `laterality_mirrored`; теги `Laterality` в DICOM пусты |
+| Тип нарушения | только из структурированных критериев | комментарии («сколиоз», «эндопротезирование ТБС») сохранены дословно: перекладывать свободный текст в код — догадка |
+
+## 4. Правило метки и почему оно такое
+
+Метка могла строиться двумя способами: только из таблицы или с добавлением
+пометок, которые вручную проставлялись в именах файлов (суффикс `_bad`). Пометки
+в именах оказались ненадёжными: они расходились с оценкой эксперта в **15 случаях
+из 252**. Выбор сделан измерением, а не по вкусу.
+
+**Постановка.** Разбиение по исследованиям зафиксировано один раз, оба варианта
+обучены пятью seed'ами на нём, оценены по одному эталону — вердикту эксперта на
+снимках валидации. Снимки валидации не участвуют в обучении ни в одном варианте.
+
+Воспроизведение: `python -m src.dxa.excel_labels --label-rule {table,union,expert}`
+и `python -m src.dxa.compare_labels --split-file labels/split_expert_seed42.json`.
+
+**Результат** (53 снимка валидации, 16 нарушений по эталону, 5 seed'ов):
+
+| Метрика (эталон) | только таблица | таблица или суффикс `_bad` |
+|---|---|---|
+| ROC-AUC | **0.6764** [0.6309, 0.7218] | 0.6199 [0.5840, 0.6559] |
+| PR-AUC | **0.4759** [0.4141, 0.5377] | 0.4046 [0.3702, 0.4391] |
+| F1 | **0.5676** [0.5270, 0.6082] | 0.5426 [0.5073, 0.5778] |
+| Recall | 0.7000 | 0.8625 |
+| Precision | 0.4857 | 0.4043 |
+
+Парная разница («только таблица» − «с суффиксами»):
+
+| Метрика | Δ, среднее [95 % ДИ] | Знаки по seed'ам |
+|---|---|---|
+| ROC-AUC | **+0.0564** [+0.0403, +0.0725] | `+++++` |
+| PR-AUC | **+0.0713** [+0.0398, +0.1028] | `+++++` |
+| F1 | +0.0251 [−0.0056, +0.0558] | `+++-+` |
+| Precision | +0.0815 [+0.0590, +0.1039] | `+++++` |
+| Recall | −0.1625 [−0.2715, −0.0535] | `--0--` |
+
+**Решение: принято правило «только экспертная таблица».** Дополнительные пометки
+из имён файлов ухудшали согласие модели с экспертом на невиданных
+исследованиях: вариант с ними чаще срабатывал (recall 0.86), но за счёт
+точности, а по беспороговым метрикам проигрывал на всех пяти seed'ах.
+
+Оговорка: эталон — та же экспертная таблица, поэтому вариант, обучавшийся
+непосредственно на ней, находится в выигрышном положении. Значимо здесь другое:
+добавление ненадёжных пометок **снижает** согласие с экспертом, что и служит
+аргументом против них.
+
+## 5. Словарь типов нарушений
+
+| Код | Подпись | Область | Источник |
+|---|---|---|---|
+| `positioning` | Некорректная укладка | позвоночник | таблица |
+| `axis_deviation` | Отклонение оси | позвоночник | таблица |
+| `artifact` | Артефакты и импланты | любая | таблица |
+| `rotation` | Ротация, позиционирование | бедро | таблица |
+| `roi_incorrect` | Некорректная область интереса | любая | таблица |
+| `motion` | Движение, размытие | любая | критерии методики |
+| `incomplete_anatomy` | Анатомия видна не полностью | любая | критерии методики |
+| `labeling_error` | Ошибка разметки | позвоночник | критерии методики |
+| `unspecified` | Нарушение без уточнения | любая | служебный |
+
+Распределение в разметке: `rotation` 36, `artifact` 17, `axis_deviation` 10,
+`roi_incorrect` 7, `positioning` 6, `unspecified` 5.
+
+Словарь один на всё решение (`src/dxa/violations.py`): коды используют инференс,
+отчёт DICOM SR и веб-интерфейс, подписи отдаёт сервер, копий в JavaScript нет.
+
+## 6. Результат разметки
+
+`labels/labels_images.csv` (и XLSX) — по одной строке на уникальный снимок:
+
+| | позвоночник | бедро R | бедро L | неопред. | всего |
+|---|---|---|---|---|---|
+| качественных | 66 | 58 | 51 | 0 | 175 |
+| с нарушением | 33 | 21 | 22 | 1 | 77 |
+| **итого** | **99** | **79** | **73** | **1** | **252** |
+
+Помимо метки в CSV сохранено происхождение: `quality_from_excel` (вердикт
+эксперта), `quality_from_filename` (пометка из имени файла), `sources_conflict`,
+`label_rule`, `filename_fallback`, `laterality_mirrored`, `region_ambiguous`,
+`expert_comment`. Поэтому правило можно переиграть без повторного разбора.
+
+Рядом лежат варианты для воспроизведения сравнения:
+`labels_images_table.csv`, `labels_images_union.csv`, `labels_images_expert.csv`
+(эталон: только снимки с экспертной оценкой, 249 строк) и
+`split_expert_seed42.json` (зафиксированное разбиение).
+
+## 7. Гигиена данных: имена файлов
+
+Имена проставлялись вручную и разошлись: `spine_1` и `spine_01`, `Spine_01`,
+`r_spine_03`, `r_hip03`, `r_hop_02` (опечатка), `spine-1`. Они приведены к виду
+`<область>_<NN>[_good|_bad].dcm` инструментом `src/dxa/rename_files.py`;
+переименовано 344 файла из 548, карта отката — `labels/rename_map.csv`.
+
+Переименование сделано **после** того, как разметка и метрики были посчитаны, и
+проверено, что оно на них не влияет: набор из 252 пиксельных групп идентичен до и
+после, разметка не изменилась ни в одной строке. Суффиксы `_good`/`_bad`
+сохранены как были и в метках не участвуют — только как диагностический столбец.
+
+## 8. Оценка качества модели
+
+Разбиение по исследованиям (по умолчанию seed 42): обучение 199 снимков /
+81 исследование, валидация 53 снимка / 19 исследований, 16 нарушений.
+
+| Метрика | Значение | Как получено |
+|---|---|---|
+| ROC-AUC | **0.6764** [0.6309, 0.7218] | 5 seed'ов на фиксированном разбиении, эталон — вердикт эксперта |
+| PR-AUC | 0.4759 [0.4141, 0.5377] | там же |
+| F1 | 0.5676 [0.5270, 0.6082] | там же; порог подобран по F1 на валидации, поэтому смещён вверх |
+| ROC-AUC по областям | позвоночник 0.943, бедро R 0.576, бедро L 0.550 | рабочий чекпоинт, его собственная валидация |
+
+Рабочий чекпоинт — обычный прогон с seed по умолчанию (эпоха 39, порог логита
+−0.4930 → вероятность 0.379), его собственная валидационная ROC-AUC 0.6706
+близка к среднему по seed'ам, то есть результат не отобран по удачности.
+
+Проверка, что модель смотрит на снимок, а не угадывает анатомию: внутри областей
+она даёт AUC 0.85–0.93, правило «позвоночник значит нарушение» — ровно 0.50.
+Числа считаются на всём наборе, включая обучающие снимки, поэтому смещены вверх и
+отвечают на вопрос «есть ли вклад содержимого», а не «каково качество на новых
+данных».
+
+## 9. Ограничения
+
+1. **Разметка унаследована от исследования.** Таблица оценивает исследование, а
+   не снимок; перенос однозначен, потому что область встречается один раз, но
+   исходная оценка всё равно не поштучная.
+2. **Мало данных:** 252 снимка, 77 нарушений. Интервалы широкие.
+3. **Эталон — та же таблица.** Независимой истины нет; вариант, обучавшийся на
+   таблице, в сравнении в выигрышном положении.
+4. **Тип нарушения — эвристика**, а не вывод модели: 5 снимков имеют только
+   `unspecified`, у остальных тип приходит из критериев таблицы.
+5. **Три снимка без экспертной оценки** размечены по пометке в имени файла и
+   помечены `filename_fallback`.
+6. **Сторона бедра в 7 исследованиях не проверяема:** теги латеральности пусты.
+7. **Корректность областей интереса наследуется из таблицы:** разметки ROI в
+   DICOM нет, сравнить её напрямую не с чем.
+
+## 10. Отрицательный результат: локальная vision-модель
+
+Планировалась визуальная разметка локальной vision-моделью (9 млрд параметров,
+офлайн), чтобы не зависеть от таблицы. На калибровке по 14 снимкам, из которых 8
+заведомо с нарушениями, модель вынесла «непригоден» всем 14, включая все
+качественные, с шаблонными формулировками и выдуманными имплантами. Разделяющая
+способность — на уровне случайной, поэтому как разметчик модель непригодна.
+
+Вывод, который стоит зафиксировать: разделяющую способность инструмента нужно
+проверять **до** того, как строить на нём пайплайн. Инструменты рендера снимков и
+контактных листов остались в `src/dxa/render.py` — они полезны для выборочной
+ручной проверки.
+
+## 11. Воспроизведение
+
+```bash
+./run.sh label                                    # разметка по экспертной таблице
+./run.sh rename                                   # имена файлов (план; --apply)
+./run.sh split && ./run.sh compare                # выбор правила метки, 5 seed'ов
+python -m src.dxa.excel_labels --label-rule union --out-name labels_images_union
+python -m src.dxa.render --by-region --out dataset_hack/_preview
+```
+
+## 12. Что дальше
+
+- Поштучная разметка снимков специалистом — снимет ограничение №1.
+- Мультилейбл по типам нарушений вместо эвристики.
+- Больше исследований (500+), чтобы сузить интервалы.
+- Калибровка порога определения области под конкретное оборудование.
diff --git a/docs/deck.pptx b/docs/deck.pptx
new file mode 100644
index 0000000..09e2d52
Binary files /dev/null and b/docs/deck.pptx differ
diff --git a/docs/img/ui-banner.png b/docs/img/ui-banner.png
new file mode 100644
index 0000000..5b1a3fa
Binary files /dev/null and b/docs/img/ui-banner.png differ
diff --git a/docs/img/ui-detail-clean.png b/docs/img/ui-detail-clean.png
new file mode 100644
index 0000000..c6f1c35
Binary files /dev/null and b/docs/img/ui-detail-clean.png differ
diff --git a/docs/img/ui-detail-violation.png b/docs/img/ui-detail-violation.png
new file mode 100644
index 0000000..0810d2d
Binary files /dev/null and b/docs/img/ui-detail-violation.png differ
diff --git a/docs/img/ui-model-panel.png b/docs/img/ui-model-panel.png
new file mode 100644
index 0000000..d97578a
Binary files /dev/null and b/docs/img/ui-model-panel.png differ
diff --git a/docs/img/ui-results.png b/docs/img/ui-results.png
new file mode 100644
index 0000000..6c1255d
Binary files /dev/null and b/docs/img/ui-results.png differ
diff --git a/docs/labeling.md b/docs/labeling.md
new file mode 100644
index 0000000..7bdf25b
--- /dev/null
+++ b/docs/labeling.md
@@ -0,0 +1,214 @@
+# Разметка датасета и выбор правила метки
+
+Документ описывает, откуда берутся метки снимков, как проверялось правило
+разметки и какие результаты из этого следуют. Числа проверяемы: ссылки на
+источники приведены рядом.
+
+## 1. Задача разметки
+
+Экспертная оценка в наборе сделана на уровне **исследования**: в таблице
+`разметка.xlsx` по каждому исследованию отмечены критерии качества, а не по
+отдельному снимку. Модель же работает со снимками, поэтому вердикт исследования
+нужно было перенести на каждый снимок — без догадок и без потери информации о
+том, откуда метка взялась.
+
+## 2. Экспертная таблица
+
+Столбцы (две строки заголовков, данные с третьей):
+
+| Столбец | Смысл | Тип нарушения |
+|---|---|---|
+| 2 | Позвоночник: укладка | `positioning` |
+| 3 | Позвоночник: ось | `axis_deviation` |
+| 4 | Позвоночник: артефакты, наложения | `artifact` |
+| 5, 6 | Бедро R: позиционирование/ротация, область интереса | `rotation`, `roi_incorrect` |
+| 7, 8 | Бедро L: то же | `rotation`, `roi_incorrect` |
+| 9, 10, 11 | Итог по области | — |
+| 12 | Комментарий эксперта | — |
+
+**Семантика значений** установлена по данным, а не по формулировкам заголовков:
+
+- `1` в столбце критерия означает **нарушение**, хотя часть заголовков
+  сформулирована положительно («корректная укладка»);
+- итог области равен логическому ИЛИ критериев: бёдра 72/72 и 78/78,
+  позвоночник 96/99;
+- три расхождения позвоночника (два случая «итог без критериев», один «критерий
+  без итога») трактуются как нарушение — по правилу «хотя бы один существенный
+  пункт нарушен»;
+- заполненность: позвоночник 99/100, бедро R 72/100, бедро L 78/100; у 23
+  исследований есть комментарий.
+
+## 3. Перенос вердикта на снимок
+
+| Шаг | Что делается | Почему так |
+|---|---|---|
+| Ключ склейки | имя каталога исследования | таблица ссылается на каталог (`2.25…`), а в DICOM лежит другой идентификатор (`1.2.643…`); соответствие каталог → тег 100/100 |
+| Склейка дублей | по хешу пиксельных данных | 544 файла — это 252 уникальных снимка |
+| Область снимка | голосование по именам файлов группы | один снимок назван и как позвоночник, и как бедро; при равенстве голосов область остаётся неопределённой (такой снимок один) |
+| Вердикт | оценка области переносится на её снимок | **каждая область встречается в исследовании ровно один раз**, поэтому не нужно решать, какой из нескольких снимков «плохой» |
+| Сторона бедра | при единственном снимке бедра берётся единственный заполненный столбец | в 71 из 72 исследований с двумя бёдрами столбцы совпадают с именами файлов; в 7 исследованиях с одним снимком заполнена противоположная сторона. Факт переноса фиксируется флагом `laterality_mirrored`; теги `Laterality` в DICOM пусты |
+| Тип нарушения | только из структурированных критериев | комментарии («сколиоз», «эндопротезирование ТБС») сохранены дословно: перекладывать свободный текст в код — догадка |
+
+## 4. Правило метки и почему оно такое
+
+Метка могла строиться двумя способами: только из таблицы или с добавлением
+пометок, которые вручную проставлялись в именах файлов (суффикс `_bad`). Пометки
+в именах оказались ненадёжными: они расходились с оценкой эксперта в **15 случаях
+из 252**. Выбор сделан измерением, а не по вкусу.
+
+**Постановка.** Разбиение по исследованиям зафиксировано один раз, оба варианта
+обучены пятью seed'ами на нём, оценены по одному эталону — вердикту эксперта на
+снимках валидации. Снимки валидации не участвуют в обучении ни в одном варианте.
+
+Воспроизведение: `python -m src.dxa.excel_labels --label-rule {table,union,expert}`
+и `python -m src.dxa.compare_labels --split-file labels/split_expert_seed42.json`.
+
+**Результат** (53 снимка валидации, 16 нарушений по эталону, 5 seed'ов):
+
+| Метрика (эталон) | только таблица | таблица или суффикс `_bad` |
+|---|---|---|
+| ROC-AUC | **0.6764** [0.6309, 0.7218] | 0.6199 [0.5840, 0.6559] |
+| PR-AUC | **0.4759** [0.4141, 0.5377] | 0.4046 [0.3702, 0.4391] |
+| F1 | **0.5676** [0.5270, 0.6082] | 0.5426 [0.5073, 0.5778] |
+| Recall | 0.7000 | 0.8625 |
+| Precision | 0.4857 | 0.4043 |
+
+Парная разница («только таблица» − «с суффиксами»):
+
+| Метрика | Δ, среднее [95 % ДИ] | Знаки по seed'ам |
+|---|---|---|
+| ROC-AUC | **+0.0564** [+0.0403, +0.0725] | `+++++` |
+| PR-AUC | **+0.0713** [+0.0398, +0.1028] | `+++++` |
+| F1 | +0.0251 [−0.0056, +0.0558] | `+++-+` |
+| Precision | +0.0815 [+0.0590, +0.1039] | `+++++` |
+| Recall | −0.1625 [−0.2715, −0.0535] | `--0--` |
+
+**Решение: принято правило «только экспертная таблица».** Дополнительные пометки
+из имён файлов ухудшали согласие модели с экспертом на невиданных
+исследованиях: вариант с ними чаще срабатывал (recall 0.86), но за счёт
+точности, а по беспороговым метрикам проигрывал на всех пяти seed'ах.
+
+Оговорка: эталон — та же экспертная таблица, поэтому вариант, обучавшийся
+непосредственно на ней, находится в выигрышном положении. Значимо здесь другое:
+добавление ненадёжных пометок **снижает** согласие с экспертом, что и служит
+аргументом против них.
+
+## 5. Словарь типов нарушений
+
+| Код | Подпись | Область | Источник |
+|---|---|---|---|
+| `positioning` | Некорректная укладка | позвоночник | таблица |
+| `axis_deviation` | Отклонение оси | позвоночник | таблица |
+| `artifact` | Артефакты и импланты | любая | таблица |
+| `rotation` | Ротация, позиционирование | бедро | таблица |
+| `roi_incorrect` | Некорректная область интереса | любая | таблица |
+| `motion` | Движение, размытие | любая | критерии методики |
+| `incomplete_anatomy` | Анатомия видна не полностью | любая | критерии методики |
+| `labeling_error` | Ошибка разметки | позвоночник | критерии методики |
+| `unspecified` | Нарушение без уточнения | любая | служебный |
+
+Распределение в разметке: `rotation` 36, `artifact` 17, `axis_deviation` 10,
+`roi_incorrect` 7, `positioning` 6, `unspecified` 5.
+
+Словарь один на всё решение (`src/dxa/violations.py`): коды используют инференс,
+отчёт DICOM SR и веб-интерфейс, подписи отдаёт сервер, копий в JavaScript нет.
+
+## 6. Результат разметки
+
+`labels/labels_images.csv` (и XLSX) — по одной строке на уникальный снимок:
+
+| | позвоночник | бедро R | бедро L | неопред. | всего |
+|---|---|---|---|---|---|
+| качественных | 66 | 58 | 51 | 0 | 175 |
+| с нарушением | 33 | 21 | 22 | 1 | 77 |
+| **итого** | **99** | **79** | **73** | **1** | **252** |
+
+Помимо метки в CSV сохранено происхождение: `quality_from_excel` (вердикт
+эксперта), `quality_from_filename` (пометка из имени файла), `sources_conflict`,
+`label_rule`, `filename_fallback`, `laterality_mirrored`, `region_ambiguous`,
+`expert_comment`. Поэтому правило можно переиграть без повторного разбора.
+
+Рядом лежат варианты для воспроизведения сравнения:
+`labels_images_table.csv`, `labels_images_union.csv`, `labels_images_expert.csv`
+(эталон: только снимки с экспертной оценкой, 249 строк) и
+`split_expert_seed42.json` (зафиксированное разбиение).
+
+## 7. Гигиена данных: имена файлов
+
+Имена проставлялись вручную и разошлись: `spine_1` и `spine_01`, `Spine_01`,
+`r_spine_03`, `r_hip03`, `r_hop_02` (опечатка), `spine-1`. Они приведены к виду
+`<область>_<NN>[_good|_bad].dcm` инструментом `src/dxa/rename_files.py`;
+переименовано 344 файла из 548, карта отката — `labels/rename_map.csv`.
+
+Переименование сделано **после** того, как разметка и метрики были посчитаны, и
+проверено, что оно на них не влияет: набор из 252 пиксельных групп идентичен до и
+после, разметка не изменилась ни в одной строке. Суффиксы `_good`/`_bad`
+сохранены как были и в метках не участвуют — только как диагностический столбец.
+
+## 8. Оценка качества модели
+
+Разбиение по исследованиям (по умолчанию seed 42): обучение 199 снимков /
+81 исследование, валидация 53 снимка / 19 исследований, 16 нарушений.
+
+| Метрика | Значение | Как получено |
+|---|---|---|
+| ROC-AUC | **0.6764** [0.6309, 0.7218] | 5 seed'ов на фиксированном разбиении, эталон — вердикт эксперта |
+| PR-AUC | 0.4759 [0.4141, 0.5377] | там же |
+| F1 | 0.5676 [0.5270, 0.6082] | там же; порог подобран по F1 на валидации, поэтому смещён вверх |
+| ROC-AUC по областям | позвоночник 0.943, бедро R 0.576, бедро L 0.550 | рабочий чекпоинт, его собственная валидация |
+
+Рабочий чекпоинт — обычный прогон с seed по умолчанию (эпоха 39, порог логита
+−0.4930 → вероятность 0.379), его собственная валидационная ROC-AUC 0.6706
+близка к среднему по seed'ам, то есть результат не отобран по удачности.
+
+Проверка, что модель смотрит на снимок, а не угадывает анатомию: внутри областей
+она даёт AUC 0.85–0.93, правило «позвоночник значит нарушение» — ровно 0.50.
+Числа считаются на всём наборе, включая обучающие снимки, поэтому смещены вверх и
+отвечают на вопрос «есть ли вклад содержимого», а не «каково качество на новых
+данных».
+
+## 9. Ограничения
+
+1. **Разметка унаследована от исследования.** Таблица оценивает исследование, а
+   не снимок; перенос однозначен, потому что область встречается один раз, но
+   исходная оценка всё равно не поштучная.
+2. **Мало данных:** 252 снимка, 77 нарушений. Интервалы широкие.
+3. **Эталон — та же таблица.** Независимой истины нет; вариант, обучавшийся на
+   таблице, в сравнении в выигрышном положении.
+4. **Тип нарушения — эвристика**, а не вывод модели: 5 снимков имеют только
+   `unspecified`, у остальных тип приходит из критериев таблицы.
+5. **Три снимка без экспертной оценки** размечены по пометке в имени файла и
+   помечены `filename_fallback`.
+6. **Сторона бедра в 7 исследованиях не проверяема:** теги латеральности пусты.
+7. **Корректность областей интереса наследуется из таблицы:** разметки ROI в
+   DICOM нет, сравнить её напрямую не с чем.
+
+## 10. Отрицательный результат: локальная vision-модель
+
+Планировалась визуальная разметка локальной vision-моделью (9 млрд параметров,
+офлайн), чтобы не зависеть от таблицы. На калибровке по 14 снимкам, из которых 8
+заведомо с нарушениями, модель вынесла «непригоден» всем 14, включая все
+качественные, с шаблонными формулировками и выдуманными имплантами. Разделяющая
+способность — на уровне случайной, поэтому как разметчик модель непригодна.
+
+Вывод, который стоит зафиксировать: разделяющую способность инструмента нужно
+проверять **до** того, как строить на нём пайплайн. Инструменты рендера снимков и
+контактных листов остались в `src/dxa/render.py` — они полезны для выборочной
+ручной проверки.
+
+## 11. Воспроизведение
+
+```bash
+./run.sh label                                    # разметка по экспертной таблице
+./run.sh rename                                   # имена файлов (план; --apply)
+./run.sh split && ./run.sh compare                # выбор правила метки, 5 seed'ов
+python -m src.dxa.excel_labels --label-rule union --out-name labels_images_union
+python -m src.dxa.render --by-region --out dataset_hack/_preview
+```
+
+## 12. Что дальше
+
+- Поштучная разметка снимков специалистом — снимет ограничение №1.
+- Мультилейбл по типам нарушений вместо эвристики.
+- Больше исследований (500+), чтобы сузить интервалы.
+- Калибровка порога определения области под конкретное оборудование.
diff --git a/docs/lct_temppalte.pptx b/docs/lct_temppalte.pptx
new file mode 100644
index 0000000..5e79b8c
Binary files /dev/null and b/docs/lct_temppalte.pptx differ
diff --git a/docs/pitch.html b/docs/pitch.html
new file mode 100644
index 0000000..6d7ab02
--- /dev/null
+++ b/docs/pitch.html
@@ -0,0 +1,611 @@
+<!DOCTYPE html>
+<html lang="ru">
+<head>
+<meta charset="utf-8">
+<meta name="viewport" content="width=device-width, initial-scale=1">
+<title>Материалы к презентации — контроль качества DXA</title>
+<!--
+  Страница самодостаточна: CSS и JS внутри, внешних ресурсов нет.
+  Требование методики — работа без обращения к внешним сервисам, поэтому
+  страницу можно открывать в закрытом контуре и печатать.
+-->
+<style>
+  :root {
+    --fg: #1f2933;
+    --muted: #616e7c;
+    --line: #e4e7eb;
+    --accent: #1d6fb8;
+    --accent-soft: #eef6fd;
+    --warn: #8a5a00;
+    --warn-soft: #fdf6e3;
+    --ok: #0f6b3f;
+    --ok-soft: #eefaf3;
+    --code-bg: #f5f7fa;
+  }
+  * { box-sizing: border-box; }
+  body {
+    margin: 0;
+    background: #f7f8fa;
+    color: var(--fg);
+    font: 16px/1.6 -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, "Helvetica Neue", Arial, sans-serif;
+  }
+  .wrap { max-width: 1060px; margin: 0 auto; padding: 28px 20px 80px; }
+  header.page {
+    background: #fff; border: 1px solid var(--line); border-radius: 12px;
+    padding: 22px 26px; margin-bottom: 20px;
+  }
+  header.page h1 { margin: 0 0 6px; font-size: 26px; line-height: 1.25; }
+  header.page p { margin: 0; color: var(--muted); }
+  .tabs { display: flex; flex-wrap: wrap; gap: 8px; margin: 20px 0 18px; }
+  .tabs button {
+    font: inherit; cursor: pointer; border: 1px solid var(--line);
+    background: #fff; color: var(--fg); padding: 10px 16px; border-radius: 999px;
+  }
+  .tabs button[aria-selected="true"] { background: var(--accent); border-color: var(--accent); color: #fff; }
+  .tabs button:hover:not([aria-selected="true"]) { background: var(--accent-soft); }
+  .panel { display: none; }
+  .panel.active { display: block; }
+  section.card {
+    background: #fff; border: 1px solid var(--line); border-radius: 12px;
+    padding: 22px 26px; margin-bottom: 18px;
+  }
+  h2 { font-size: 22px; margin: 0 0 4px; }
+  h2 .sub { display: block; font-size: 14px; font-weight: 400; color: var(--muted); margin-top: 4px; }
+  h3 { font-size: 17px; margin: 26px 0 8px; }
+  h3:first-of-type { margin-top: 12px; }
+  h4 { font-size: 15px; margin: 18px 0 6px; color: var(--muted); text-transform: uppercase; letter-spacing: .04em; }
+  p, li { margin: 8px 0; }
+  ul, ol { padding-left: 22px; }
+  .say {
+    background: var(--accent-soft); border-left: 4px solid var(--accent);
+    padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 12px 0;
+  }
+  .say strong { display: block; font-size: 13px; text-transform: uppercase; letter-spacing: .05em; color: var(--accent); margin-bottom: 4px; }
+  .warn { background: var(--warn-soft); border-left: 4px solid var(--warn); padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 12px 0; }
+  .ok { background: var(--ok-soft); border-left: 4px solid var(--ok); padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 12px 0; }
+  table { width: 100%; border-collapse: collapse; margin: 12px 0; font-size: 15px; }
+  th, td { border: 1px solid var(--line); padding: 8px 10px; text-align: left; vertical-align: top; }
+  th { background: #f2f5f8; font-weight: 600; }
+  td.num, th.num { text-align: right; font-variant-numeric: tabular-nums; }
+  code, .mono { font-family: ui-monospace, SFMono-Regular, Menlo, Consolas, monospace; font-size: 14px; }
+  code { background: var(--code-bg); padding: 1px 5px; border-radius: 4px; }
+  pre { background: var(--code-bg); border: 1px solid var(--line); border-radius: 8px; padding: 12px 14px; overflow-x: auto; }
+  pre code { background: none; padding: 0; }
+  dl.defs { margin: 0; }
+  dl.defs dt { font-weight: 600; margin-top: 16px; }
+  dl.defs dd { margin: 4px 0 0; color: #33414e; }
+  dl.defs dd .why { display: block; color: var(--muted); font-size: 14px; margin-top: 3px; }
+  .tag { display: inline-block; font-size: 12px; padding: 1px 7px; border-radius: 999px; background: #eef1f4; color: #4a5560; margin-left: 6px; vertical-align: middle; }
+  .tag.table { background: #e8f4ea; color: #23633a; }
+  .tag.cond { background: #fdf1e3; color: #8a5a00; }
+  .src { font-size: 13px; color: var(--muted); }
+  footer.page { color: var(--muted); font-size: 14px; text-align: center; margin-top: 30px; }
+  @media print {
+    body { background: #fff; }
+    .tabs { display: none; }
+    .panel { display: block !important; page-break-before: always; }
+    .panel:first-of-type { page-break-before: avoid; }
+    section.card { border: none; padding: 0; margin-bottom: 24px; }
+    .wrap { max-width: none; padding: 0; }
+  }
+</style>
+<noscript>
+  <style>.tabs { display: none; } .panel { display: block !important; }</style>
+</noscript>
+</head>
+<body>
+<div class="wrap">
+
+<header class="page">
+  <h1>Контроль качества денситометрических исследований (DXA)</h1>
+  <p>Материалы к презентации в трёх вариантах: краткий спич, словарь терминов к нему и полная техническая выкладка. Все числа проверяемы, источник указан рядом.</p>
+</header>
+
+<div class="tabs" role="tablist">
+  <button role="tab" aria-selected="true" data-panel="p1">1. Краткий спич</button>
+  <button role="tab" aria-selected="false" data-panel="p2">2. Определения</button>
+  <button role="tab" aria-selected="false" data-panel="p3">3. Техническая выкладка</button>
+</div>
+
+<!-- ============================ ВАРИАНТ 1 ============================ -->
+<div class="panel active" id="p1">
+<section class="card">
+  <h2>Краткий спич
+    <span class="sub">Около трёх минут. Каждый блок — один абзац для произнесения; ниже — что показать на слайде.</span>
+  </h2>
+
+<h3>1. Задача</h3>
+<div class="say"><strong>Произнести</strong>
+Мы делали цифрового помощника по контролю качества денситометрии. По снимку DXA нужно решить, пригоден ли он для дальнейшего анализа, и объяснить, что именно не так. Вход — DICOM, выход — таблица XLSX или CSV, одна строка на снимок. Работает офлайн, в контейнере, не дольше трёх минут на исследование. Области — поясничный отдел позвоночника и проксимальный отдел бедра.
+</div>
+<p class="src">На слайд: колонки результата и требования — офлайн, контейнер, три минуты.</p>
+
+<h3>2. Данные</h3>
+<div class="say"><strong>Произнести</strong>
+В наборе 544 файла, но это 252 уникальных снимка в ста исследованиях: остальное — те же кадры, сохранённые повторно. Экспертная оценка сделана в таблице, по каждому исследованию и с разбивкой на критерии: укладка, ось, артефакты, позиционирование, область интереса.
+</div>
+
+<h3>3. Как из оценки исследования получилась метка снимка</h3>
+<div class="say"><strong>Произнести</strong>
+Оценка в таблице относится к исследованию, а модель работает со снимками — вердикт нужно было перенести. Здесь помогло свойство набора: после склейки дублей каждая анатомическая область встречается в исследовании ровно один раз. Значит, не нужно угадывать, какой из снимков «плохой»: вердикт области переносится на её снимок однозначно. Так размечены все 252 снимка, из них 77 с нарушениями.
+</div>
+<p class="src">На слайд: 544 файла → 252 снимка → 100 исследований; одна область на исследование.</p>
+
+<h3>4. Выбор правила разметки делали измерением</h3>
+<div class="say"><strong>Произнести</strong>
+Метку можно было строить только из экспертной таблицы или дополнительно учитывать служебные пометки, которые проставлялись при подготовке набора. Они расходились с оценкой эксперта в пятнадцати случаях из двухсот пятидесяти двух, поэтому мы не стали верить на слово ни одному варианту: зафиксировали разбиение, обучили оба пятью seed'ами и сравнили по одному эталону. Победило правило «только таблица»: ROC-AUC 0.68 против 0.62, преимущество на всех пяти seed'ах. Служебные пометки в метках не участвуют.
+</div>
+
+<h3>5. Модель</h3>
+<div class="say"><strong>Произнести</strong>
+Архитектура намеренно простая: ResNet18 с весами ImageNet как замороженный экстрактор признаков и линейная голова. Полное дообучение на двухстах снимках переобучается — train-метрика уходит в единицу, а качество на валидации падает до случайного. Аугментацию отключили: яркость и положение снимка сами являются признаками качества, и её включение роняло площадь под ROC-кривой с 0.87 до 0.56. Порог решения подбираем по логиту, максимизируя F1: вероятности насыщаются, и порог 0.5 даёт почти нулевой recall.
+</div>
+
+<h3>6. Результат</h3>
+<div class="say"><strong>Произнести</strong>
+На фиксированном разбиении, пять seed'ов, оценка по вердикту эксперта: ROC-AUC 0.676 с интервалом от 0.63 до 0.72, PR-AUC 0.476, F1 0.568. Рабочий чекпоинт — обычный прогон с seed по умолчанию, его собственная оценка 0.671, то есть близка к среднему: результат не отобран по удачности.
+</div>
+<p class="src">На слайд: три строки метрик с интервалами и одна оговорка про эталон.</p>
+
+<h3>7. Модель смотрит на снимок, а не на область</h3>
+<div class="say"><strong>Произнести</strong>
+Область исследования почти однозначно определяется шириной кадра, поэтому есть риск, что модель просто угадывает анатомию. Мы это проверили отдельно: внутри областей модель даёт AUC от 0.85 до 0.93, а правило «позвоночник — значит нарушение» — ровно 0.5, потому что внутри области подсказки нет. Значит, модель работает с содержимым снимка.
+</div>
+
+<h3>8. Скорость</h3>
+<div class="say"><strong>Произнести</strong>
+Обработка одного снимка — около пятнадцати миллисекунд, на процессоре двадцать. При бюджете три минуты на исследование запас более чем тысячекратный. Чекпоинт занимает 43 мегабайта, ускоритель для этой задачи не обязателен: время уходит на декодирование снимка, а не на сеть.
+</div>
+
+<h3>9. Чего мы не утверждаем</h3>
+<div class="say"><strong>Произнести</strong>
+Модель бинарная: она не определяет тип нарушения. Тип, который вы видите в интерфейсе, посчитан эвристикой по метрикам снимка и помечен соответствующей пометкой — мы намеренно не выдаём предположение за заключение. Эталон, по которому мы мерили, — та же экспертная таблица, независимой истины у нас нет. Данных мало: 252 снимка, в валидации шестнадцать нарушений, интервалы широкие. И отдельно: локальная vision-модель на девять миллиардов параметров, которой мы хотели размечать снимки визуально, вынесла «непригоден» всем четырнадцати снимкам калибровки, включая заведомо качественные. От этого пути отказались, проверив его одним прогоном, а не неделей разработки.
+</div>
+
+<h3>10. Что дальше</h3>
+<div class="say"><strong>Произнести</strong>
+Три направления: поштучная разметка снимков специалистом, чтобы снять главное ограничение; мультилейбл-модель для типов нарушений вместо эвристики; больше исследований, чтобы сузить интервалы.
+</div>
+</section>
+
+<section class="card">
+  <h2>Шпаргалка: цифры, которые будут спрашивать</h2>
+  <table>
+    <thead><tr><th>Вопрос</th><th>Ответ</th><th>Откуда</th></tr></thead>
+    <tbody>
+      <tr><td>Сколько снимков?</td><td>252 уникальных в 100 исследованиях (544 файла на диске)</td><td class="src">склейка дублей по пикселям</td></tr>
+      <tr><td>Сколько нарушений?</td><td>77 из 252 (30.6 %): 74 по экспертной таблице + 3 без экспертной оценки</td><td class="src">labels/labels_images.csv</td></tr>
+      <tr><td>ROC-AUC</td><td>0.6764 [0.6309, 0.7218], 5 seed'ов</td><td class="src">models/compare_rules/rule_comparison.md</td></tr>
+      <tr><td>PR-AUC / F1</td><td>0.4759 [0.4141, 0.5377] / 0.5676 [0.5270, 0.6082]</td><td class="src">там же</td></tr>
+      <tr><td>Почему такое правило разметки?</td><td>замер: +0.0564 ROC-AUC против варианта со служебными пометками, 5 из 5 seed'ов</td><td class="src">там же</td></tr>
+      <tr><td>Вклад содержимого снимка</td><td>внутри областей AUC 0.85–0.93 против 0.50 у правила области</td><td class="src">discriminator</td></tr>
+      <tr><td>Скорость</td><td>≈15 мс на снимок на ускорителе, 20 мс на CPU</td><td class="src">замер на 544 файлах</td></tr>
+      <tr><td>Размер модели</td><td>42.8 МБ, 11.2 млн параметров, обучается только голова</td><td class="src">models/dxa_model.pth</td></tr>
+      <tr><td>Тесты</td><td>208</td><td class="src">./run.sh test</td></tr>
+    </tbody>
+  </table>
+</section>
+</div>
+
+<!-- ============================ ВАРИАНТ 2 ============================ -->
+<div class="panel" id="p2">
+<section class="card">
+  <h2>Определения
+    <span class="sub">Расширение краткого спича: термины, которыми придётся отвечать на вопросы. Формулировки привязаны к тому, как эти слова используются в решении.</span>
+  </h2>
+
+<h4>Данные и формат</h4>
+<dl class="defs">
+  <dt>DXA / ДРА <span class="tag">двухэнергетическая рентгеновская абсорбциометрия</span></dt>
+  <dd>Метод измерения минеральной плотности костной ткани. От качества укладки и разметки зависит не «красивость» снимка, а само число.
+    <span class="why">Задача — контроль качества измерения, а не диагностика перелома.</span></dd>
+
+  <dt>DICOM</dt>
+  <dd>Стандарт хранения и передачи медицинских изображений: пиксельные данные плюс метаданные.
+    <span class="why">Вход решения; из метаданных берём идентификаторы, но решение не зависит от персональных данных.</span></dd>
+
+  <dt>StudyInstanceUID и SOPInstanceUID</dt>
+  <dd><code>StudyInstanceUID</code> идентифицирует исследование, <code>SOPInstanceUID</code> — конкретный снимок. Оба идут в выходной файл: <code>study_uid</code> и <code>image_uid</code>.
+    <span class="why">Подводный камень: имя каталога исследования в наборе не совпадает с этим тегом, а экспертная таблица ссылается на каталог. Склейка идёт по каталогу, в отчёт попадает тег.</span></dd>
+
+  <dt>ROI <span class="tag">region of interest</span></dt>
+  <dd>Область интереса: рамка или контур, по которой считают плотность. Правильность её проведения — самостоятельный критерий качества.
+    <span class="why">В предоставленных DICOM разметка ROI отсутствует, сравнить её не с чем: корректность областей оценивается экспертом в таблице, и это открытое ограничение решения.</span></dd>
+
+  <dt>Побайтный дубль</dt>
+  <dd>Файлы с идентичным пиксельным содержимым под разными именами. В наборе 544 файла против 252 уникальных снимков.
+    <span class="why">Зачем склеивать: иначе один и тот же снимок попадал и в обучение, и в валидацию.</span></dd>
+
+  <dt>Анатомическая область</dt>
+  <dd>В решении три области: <code>spine</code> (поясничный отдел), <code>hip_right</code> и <code>hip_left</code> (проксимальный отдел бедра).
+    <span class="why">Область определяется по геометрии кадра, а не по метаданным: ширина кадра у позвоночника около 300 пикселей, у бедра около 280. Порог привязан к текущему оборудованию — это ограничение.</span></dd>
+</dl>
+
+<h4>Разметка</h4>
+<dl class="defs">
+  <dt>Экспертная таблица</dt>
+  <dd>Файл <code>разметка.xlsx</code>: по каждому исследованию отмечены критерии — укладка, ось, артефакты для позвоночника; позиционирование и область интереса для каждого бедра; плюс итог по области и комментарий.
+    <span class="why">Значение 1 в критерии означает нарушение, хотя часть заголовков сформулирована положительно. Проверено: итог области равен логическому ИЛИ критериев (бёдра 72/72 и 78/78, позвоночник 96/99).</span></dd>
+
+  <dt>Единица разметки</dt>
+  <dd>То, к чему относится метка. Таблица описывает исследование, решение работает со снимками.
+    <span class="why">Ключевое свойство набора: после склейки дублей каждая область встречается в исследовании ровно один раз, поэтому вердикт переносится на снимок области однозначно.</span></dd>
+
+  <dt>Правило метки <span class="tag">table / union</span></dt>
+  <dd>Как из оценки получается метка снимка. <code>table</code> — только экспертная таблица (принято), <code>union</code> — таблица и служебные пометки, проставленные при подготовке набора.
+    <span class="why">Выбрано измерением: <code>table</code> дал ROC-AUC 0.6764 против 0.6199, преимущество на всех пяти seed'ах. Есть третье правило, <code>expert</code>: только снимки с экспертной оценкой — оно служит эталоном при оценке, а не для обучения.</span></dd>
+
+  <dt>quality_class</dt>
+  <dd>Бинарный класс: 0 — качественное изображение, 1 — есть нарушение. Это итоговое решение модели.</dd>
+
+  <dt>Пригоден / непригоден</dt>
+  <dd>Формулировка того же решения словами. «Пригоден» означает, что нет видимых причин мешать специалисту выполнить дальнейший анализ; это не значит, что снимок диагностически нормален.
+    <span class="why">Правило методики: если хотя бы один существенный пункт нарушен или не подтверждается по изображению, снимок непригоден. Сомнительные случаи не пропускаются.</span></dd>
+
+  <dt>violation_type</dt>
+  <dd>Тип нарушения — строка, перечень через точку с запятой, словарь канонический и единый для решения, отчёта DICOM SR и интерфейса.
+    <span class="why">Пять кодов кодирует экспертная таблица: positioning, axis_deviation, artifact, rotation, roi_incorrect. Ещё три задаёт методика: motion, incomplete_anatomy, labeling_error. Плюс unspecified — нарушение без уточнения.</span></dd>
+
+  <dt>Эвристика</dt>
+  <dd>Правило, а не обученная модель. Тип нарушения определяется эвристикой по метрикам снимка, потому что модель бинарная.
+    <span class="why">В интерфейсе это помечено пометкой «эвристика» с пояснением: показывать предположение как заключение нельзя.</span></dd>
+
+  <dt>Зеркалирование стороны бедра</dt>
+  <dd>Ситуация, когда в исследовании снят один снимок бедра, а в таблице заполнен столбец противоположной стороны — 6 исследований из 7 с одним бедром.
+    <span class="why">Логика: снимок один и заполненный столбец один — они соответствуют друг другу. Факт переноса фиксируется флагом; теги латеральности в DICOM пусты, поэтому сторону иначе не проверить.</span></dd>
+</dl>
+
+<h4>Модель и обучение</h4>
+<dl class="defs">
+  <dt>Линейный зонд <span class="tag">linear probe</span></dt>
+  <dd>Режим, при котором свёрточная часть сети заморожена и обучается только линейный слой поверх её признаков.
+    <span class="why">На двухстах снимках полное дообучение переобучается: train F1 уходит в единицу при случайном AUC на валидации. Обучаемых параметров остаются тысячи вместо миллионов.</span></dd>
+
+  <dt>Frozen backbone и BatchNorm</dt>
+  <dd>При заморозке отключается не только градиент, но и train-режим слоёв нормализации: иначе бегущие статистики продолжают меняться на обучающих батчах и входной слой получает не те данные, на которых калибровался.</dd>
+
+  <dt>Препроцессинг</dt>
+  <dd>Один путь для обучения и API: прочитать DICOM с учётом наклона и инверсии, привести к диапазону по перцентилям 0.5–99.5, увеличить до 224×224, повторить в три канала, нормировать по статистикам ImageNet.
+    <span class="why">Перцентили вместо минимума-максимума: одиночные яркие пиксели (металл, метка оператора) иначе сжимают весь диапазон.</span></dd>
+
+  <dt>Порог по логиту</dt>
+  <dd>Решающее правило сравнивает логит с порогом, который подобран по F1 на валидации и хранится в чекпоинте вместе с весами (у рабочего — логит −0.493, вероятность 0.379).
+    <span class="why">Почему не 0.5: вероятности насыщаются, и фиксированный порог давал почти нулевой recall при доле нарушений около 30 %.</span></dd>
+
+  <dt>Аугментация</dt>
+  <dd>Случайные искажения при обучении. Здесь отключена по умолчанию.
+    <span class="why">Причина содержательная: яркость и положение снимка сами являются признаками качества, поэтому искажать их — значит уничтожать целевую информацию. Проверено: включение роняло AUC с 0.87 до 0.56.</span></dd>
+
+  <dt>Разбиение по исследованиям</dt>
+  <dd>Все снимки одного исследования попадают только в одну часть — обучение или валидацию.
+    <span class="why">Иначе получается утечка: снимки одного пациента похожи, и качество на валидации оказывается завышенным.</span></dd>
+
+  <dt>Зафиксированное разбиение</dt>
+  <dd>Файл со списком исследований валидации, который не пересчитывается при смене правил разметки.
+    <span class="why">Разбиение стратифицируется по наличию нарушений, а оно зависит от меток. Без фиксации варианты сравнивались бы на разных наборах.</span></dd>
+
+  <dt>Эталон оценки</dt>
+  <dd>Разметка, по которой считается качество: в нашем случае — вердикт эксперта, взятый только на снимках с экспертной оценкой.
+    <span class="why">Оценивать вариант на его же метках — круговое сравнение. Эталон один и тот же для всех вариантов.</span></dd>
+</dl>
+
+<h4>Метрики</h4>
+<dl class="defs">
+  <dt>ROC-AUC</dt>
+  <dd>Вероятность, что случайно взятый снимок с нарушением получит более высокий балл, чем случайно взятый качественный. Не зависит от порога, поэтому это основная метрика сравнения.</dd>
+
+  <dt>PR-AUC</dt>
+  <dd>Площадь под кривой точность-полнота. Чувствительна к доле положительного класса: при 30 % нарушений базовый уровень — 0.30, поэтому сравнивать её между наборами с разной долей нельзя.</dd>
+
+  <dt>F1, precision, recall</dt>
+  <dd>F1 — среднее гармоническое точности и полноты. Recall — какая доля нарушений найдена, precision — какая доля тревог подтверждается.
+    <span class="why">В нашей задаче пропустить нарушение дороже, чем отправить снимок на ручную проверку.</span></dd>
+
+  <dt>Доверительный интервал 95 %</dt>
+  <dd>Диапазон, в котором с вероятностью 95 % лежит истинное значение. Здесь интервалы считаются по пяти seed'ам обучения через распределение Стьюдента.
+    <span class="why">Чего он не покрывает: неопределённость самой разметки. Поэтому интервал по seed'ам не заменяет независимый тест на закрытом наборе.</span></dd>
+
+  <dt>Парная разница</dt>
+  <dd>Разность метрик двух вариантов, посчитанная для каждого seed'а отдельно и затем усреднённая.
+    <span class="why">Варианты обучались на одном разбиении и одном seed'е, поэтому разброс обучения вычитается и видно эффект самого правила.</span></dd>
+</dl>
+
+<h4>Инженерия и эксплуатация</h4>
+<dl class="defs">
+  <dt>Контейнеризация</dt>
+  <dd>Решение поставляется образом с зафиксированными версиями зависимостей; запуск — скриптом в Linux и UNIX-подобных системах. Веса монтируются при запуске, данные в образ не попадают.</dd>
+
+  <dt>Офлайн-работа</dt>
+  <dd>Медицинские изображения не покидают контур: ни внешних сервисов, ни обращений к CDN. Стили и шрифты интерфейса лежат локально.
+    <span class="why">Это требование методики, а не оптимизация; оно ограничило и выбор способа разметки.</span></dd>
+
+  <dt>processing_status</dt>
+  <dd>Поле отчёта: <code>Success</code> или <code>Failure</code>. Необработанных исключений быть не должно — любая ошибка фиксируется в строке результата.</dd>
+
+  <dt>DICOM SR</dt>
+  <dd>Structured Report — текстовое структурированное представление результата.
+    <span class="why">Оговорка: полноценного справочника SNOMED для контролёра качества DXA в наборе нет, поэтому числовые коды условные, и рядом всегда идёт текстовая формулировка.</span></dd>
+
+  <dt>Чекпоинт</dt>
+  <dd>Файл с весами, порогом, параметрами препроцессинга и метаданными: на какой разметке обучен, по какому разбиению, с каким seed'ом.
+    <span class="why">Самодостаточность важна: инференс не может рассинхронизироваться с обучением, а по файлу видно, что именно работает.</span></dd>
+</dl>
+</section>
+</div>
+
+<!-- ============================ ВАРИАНТ 3 ============================ -->
+<div class="panel" id="p3">
+<section class="card">
+  <h2>Полная техническая выкладка
+    <span class="sub">Для вопросов «а как именно» и для инженера, который будет разворачивать решение.</span>
+  </h2>
+
+<h3>1. Требования и что именно решается</h3>
+<ul>
+  <li><strong>Объект:</strong> поясничный отдел позвоночника и проксимальный отдел бедренной кости.</li>
+  <li><strong>Решение:</strong> бинарная классификация — пригоден (0) или есть нарушение (1) — плюс определение анатомической области и типа нарушения.</li>
+  <li><strong>Вход:</strong> DICOM без разметки; в исследовании до трёх изображений.</li>
+  <li><strong>Выход:</strong> XLSX или CSV, одна строка на снимок: <code>path_to_study, study_uid, image_uid, anatomical_region, quality_class, violation_type, processing_status, time_of_processing</code>.</li>
+  <li><strong>Приоритетные метрики:</strong> F1 и ROC-AUC с 95 % доверительными интервалами.</li>
+  <li><strong>Ограничения:</strong> офлайн, контейнеризация, до трёх минут на исследование, воспроизводимость, отсутствие необработанных исключений.</li>
+</ul>
+
+<h3>2. Данные: состав</h3>
+<table>
+  <thead><tr><th>Показатель</th><th class="num">Значение</th></tr></thead>
+  <tbody>
+    <tr><td>Файлов DICOM на диске</td><td class="num">544</td></tr>
+    <tr><td>Уникальных снимков (по пикселям)</td><td class="num">252</td></tr>
+    <tr><td>Исследований</td><td class="num">100</td></tr>
+    <tr><td>Снимков: позвоночник / бедро R / бедро L / неопределено</td><td class="num">99 / 79 / 73 / 1</td></tr>
+    <tr><td>Нарушений по экспертной таблице</td><td class="num">74 (29.4 %)</td></tr>
+    <tr><td>Нарушений в обучающей разметке</td><td class="num">77 (30.6 %)</td></tr>
+    <tr><td>Снимков без экспертной оценки</td><td class="num">3</td></tr>
+  </tbody>
+</table>
+
+<h4>Аномалии, повлиявшие на решения</h4>
+<ul>
+  <li><strong>Дубли.</strong> Один кадр сохранён многократно; склейка по хешу пиксельных данных.</li>
+  <li><strong>Конфликт имён внутри одной группы дублей.</strong> Два файла одного и того же снимка названы как разные области, поэтому область определяется голосованием по именам; при равенстве голосов остаётся неопределённой (такой снимок один).</li>
+  <li><strong>Имя каталога ≠ StudyInstanceUID.</strong> Таблица ссылается на каталог, в DICOM лежит другой идентификатор; соответствие один к одному, 100 из 100.</li>
+  <li><strong>Пустые теги латеральности.</strong> Метаданных о стороне бедра нет.</li>
+  <li><strong>Разметки ROI нет.</strong> Ни <code>OverlayData</code>, ни <code>GraphicAnnotationSequence</code>.</li>
+  <li><strong>Служебные пометки в данных.</strong> Метки из них не строятся — правило выбрано измерением (§5); имена приведены к единому виду отдельным инструментом (§7).</li>
+</ul>
+
+<h3>3. Семантика экспертной таблицы</h3>
+<p>Две строки заголовков, данные с третьей. Столбцы 2–4 — критерии позвоночника (укладка, ось, артефакты), 5–6 и 7–8 — позиционирование и область интереса для правого и левого бедра, 9–11 — итоги по областям, 12 — комментарий.</p>
+<div class="ok">
+<strong>Значение <code>1</code> в критерии означает нарушение</strong>, хотя часть заголовков сформулирована положительно («корректная укладка»). Проверено на данных: итог области равен логическому ИЛИ критериев — для бёдер 72/72 и 78/78, для позвоночника 96/99. Три расхождения позвоночника трактуются как нарушение, что соответствует правилу «хотя бы один существенный пункт нарушен».
+</div>
+<p>Заполненность: позвоночник 99 из 100 исследований, бедро R 72, бедро L 78; комментарий есть у 23 исследований.</p>
+
+<h3>4. Как построена разметка на уровне снимка</h3>
+<ol>
+  <li><strong>Ключ склейки</strong> — имя каталога исследования, а не тег DICOM.</li>
+  <li><strong>Склейка дублей</strong> по хешу пиксельных данных: 544 файла → 252 снимка.</li>
+  <li><strong>Область</strong> — голосование по именам файлов одной группы изображений.</li>
+  <li><strong>Перенос вердикта</strong> — оценка области переносится на её снимок. Основание: каждая область встречается в исследовании ровно один раз.</li>
+  <li><strong>Зеркалирование стороны.</strong> В 71 из 72 исследований с двумя бёдрами столбцы совпадают с именами файлов. В 7 исследованиях снят один снимок бедра, и в 6 из них заполнен столбец противоположной стороны: раз снимок один и заполненный столбец один, они соответствуют друг другу. Перенос фиксируется флагом <code>laterality_mirrored</code>.</li>
+  <li><strong>Тип нарушения</strong> берётся только из структурированных критериев. Комментарии («сколиоз», «эндо протезирование ТБС») сохранены дословно и в код не перекладываются.</li>
+  <li><strong>Три снимка</strong>, по которым таблица область не оценивала, получают метку из служебной пометки и помечены <code>filename_fallback</code> — иначе они остались бы без метки вообще.</li>
+</ol>
+<p>Результат: <code>labels/labels_images.csv</code> (и XLSX) — 252 строки, 175 качественных и 77 с нарушениями.</p>
+
+<h3>5. Выбор правила метки: измерение</h3>
+<p>Правило «только таблица» против «таблица плюс служебные пометки при подготовке набора». Пометки расходились с оценкой эксперта в 15 случаях из 252, поэтому выбор делался измерением: одно фиксированное разбиение, пять seed'ов, один эталон (вердикт эксперта на снимках валидации).</p>
+<table>
+  <thead><tr><th>Метрика (эталон)</th><th class="num">только таблица</th><th class="num">со служебными пометками</th></tr></thead>
+  <tbody>
+    <tr><td>ROC-AUC</td><td class="num"><strong>0.6764</strong> [0.6309, 0.7218]</td><td class="num">0.6199 [0.5840, 0.6559]</td></tr>
+    <tr><td>PR-AUC</td><td class="num"><strong>0.4759</strong> [0.4141, 0.5377]</td><td class="num">0.4046 [0.3702, 0.4391]</td></tr>
+    <tr><td>F1</td><td class="num"><strong>0.5676</strong> [0.5270, 0.6082]</td><td class="num">0.5426 [0.5073, 0.5778]</td></tr>
+    <tr><td>Recall / Precision</td><td class="num">0.700 / 0.486</td><td class="num">0.863 / 0.404</td></tr>
+  </tbody>
+</table>
+<table>
+  <thead><tr><th>Парная разница (таблица − с пометками)</th><th class="num">Δ, среднее [95 % ДИ]</th><th>Знаки по seed'ам</th></tr></thead>
+  <tbody>
+    <tr><td>ROC-AUC</td><td class="num"><strong>+0.0564</strong> [+0.0403, +0.0725]</td><td><code>+++++</code></td></tr>
+    <tr><td>PR-AUC</td><td class="num"><strong>+0.0713</strong> [+0.0398, +0.1028]</td><td><code>+++++</code></td></tr>
+    <tr><td>F1</td><td class="num">+0.0251 [−0.0056, +0.0558]</td><td><code>+++-+</code></td></tr>
+    <tr><td>Precision</td><td class="num">+0.0815 [+0.0590, +0.1039]</td><td><code>+++++</code></td></tr>
+  </tbody>
+</table>
+<pre><code>./run.sh split      # зафиксировать разбиение (стратификация по эталону)
+./run.sh compare    # 5 seed'ов × 2 варианта, отчёт models/compare_rules/rule_comparison.md</code></pre>
+<div class="warn">
+<strong>Оговорка.</strong> Эталон — та же экспертная таблица, на которой обучался победивший вариант, поэтому сравнение частично ему благоприятствует. Значимый вывод другой: добавление служебных пометок <em>снижает</em> согласие модели с экспертом на невиданных исследованиях.
+</div>
+
+<h3>6. Словарь типов нарушений</h3>
+<table>
+  <thead><tr><th>Код</th><th>Подпись</th><th>Область</th><th>Источник</th></tr></thead>
+  <tbody>
+    <tr><td><code>positioning</code></td><td>Некорректная укладка</td><td>позвоночник</td><td><span class="tag table">таблица</span></td></tr>
+    <tr><td><code>axis_deviation</code></td><td>Отклонение оси</td><td>позвоночник</td><td><span class="tag table">таблица</span></td></tr>
+    <tr><td><code>artifact</code></td><td>Артефакты и импланты</td><td>любая</td><td><span class="tag table">таблица</span></td></tr>
+    <tr><td><code>rotation</code></td><td>Ротация, позиционирование</td><td>бедро</td><td><span class="tag table">таблица</span></td></tr>
+    <tr><td><code>roi_incorrect</code></td><td>Некорректная область интереса</td><td>любая</td><td><span class="tag table">таблица</span></td></tr>
+    <tr><td><code>motion</code></td><td>Движение, размытие</td><td>любая</td><td><span class="tag cond">методика</span></td></tr>
+    <tr><td><code>incomplete_anatomy</code></td><td>Анатомия видна не полностью</td><td>любая</td><td><span class="tag cond">методика</span></td></tr>
+    <tr><td><code>labeling_error</code></td><td>Ошибка разметки</td><td>позвоночник</td><td><span class="tag cond">методика</span></td></tr>
+    <tr><td><code>unspecified</code></td><td>Нарушение без уточнения</td><td>любая</td><td><span class="tag">служебный</span></td></tr>
+  </tbody>
+</table>
+<p class="src">Распределение в разметке: rotation 36, artifact 17, axis_deviation 10, roi_incorrect 7, positioning 6, unspecified 5.</p>
+<div class="warn">
+<strong>Словарь раньше существовал в трёх копиях</strong> — в модуле инференса, в API и в JavaScript интерфейса, — и ни один из них не знал кодов экспертной таблицы: в интерфейсе они показывались как есть. Теперь словарь один (<code>src/dxa/violations.py</code>), подписи отдаёт сервер, старые значения приводятся к канону.
+</div>
+
+<h3>7. Гигиена данных: имена файлов</h3>
+<p>Отдельный инструмент приводит имена файлов к единому виду: область, две цифры номера, при наличии — пометка качества. Приведено 344 файла из 548, карта отката сохранена, разметка и метрики при этом не менялись.</p>
+<pre><code>./run.sh rename            # план правки, без изменений на диске
+./run.sh rename --apply    # выполнить; карта отката labels/rename_map.csv
+./run.sh rename --rollback --apply   # вернуть прежние имена</code></pre>
+<p>Правка сделана после того, как разметка и метрики были посчитаны, и проверено, что она на них не влияет: набор из 252 пиксельных групп идентичен до и после, разметка не изменилась ни в одной строке. Пометки качества в именах в метках не участвуют — только как диагностический столбец.</p>
+
+<h3>8. Предобработка</h3>
+<pre><code>DICOM → pixel_array (RescaleSlope/Intercept, MONOCHROME1)
+      → нормализация по перцентилям 0.5–99.5 → [0, 1]
+      → ×255, uint8
+      → повтор в 3 канала, билинейный resize 224×224
+      → /255, нормировка по статистикам ImageNet
+      → тензор (3, 224, 224) float32</code></pre>
+<p>Один и тот же путь используется при обучении и в API. Обучение и API вызывают общий код предсказания, поэтому порог и препроцессинг совпадают по построению.</p>
+
+<h3>9. Модель</h3>
+<table>
+  <thead><tr><th>Компонент</th><th>Значение</th></tr></thead>
+  <tbody>
+    <tr><td>Backbone</td><td>ResNet18, веса ImageNet, <strong>заморожен</strong> (заморозка на всё обучение)</td></tr>
+    <tr><td>Классификационная голова</td><td>линейный слой, 2 класса; обучаемых параметров — тысячи</td></tr>
+    <tr><td>Вспомогательная голова области</td><td>вес в функции потерь 0.3</td></tr>
+    <tr><td>Вход</td><td>224×224, 3 канала; BatchNorm в eval-режиме</td></tr>
+    <tr><td>Порог</td><td>−0.4930 по логиту (вероятность 0.379), подбор по F1 на валидации</td></tr>
+    <tr><td>Размер чекпоинта</td><td>42.8 МБ, 11.2 млн параметров сети</td></tr>
+    <tr><td>Определение области</td><td>эвристика по ширине кадра (позвоночник ≈300 px, бедро ≈280 px)</td></tr>
+  </tbody>
+</table>
+
+<h4>Гиперпараметры по умолчанию</h4>
+<ul>
+  <li>Эпох 100, batch 16, early stopping с терпением 25, отбор эпохи по сглаженному (окно 5) ROC-AUC.</li>
+  <li>Оптимизатор AdamW, lr 3e-4, weight decay 0.05 (decoupled).</li>
+  <li>Балансировка классов и аугментация: выключены.</li>
+  <li>Валидационная доля 0.2, разбиение по исследованиям, seed 42.</li>
+</ul>
+
+<h3>10. Оценка качества</h3>
+<p>Фиксированное разбиение: обучение 199 снимков / 81 исследование, валидация 53 снимка / 19 исследований, 16 нарушений по эталону. Пять seed'ов.</p>
+<table>
+  <thead><tr><th>Метрика</th><th class="num">Значение</th></tr></thead>
+  <tbody>
+    <tr><td>ROC-AUC</td><td class="num"><strong>0.6764</strong> [0.6309, 0.7218]</td></tr>
+    <tr><td>PR-AUC</td><td class="num">0.4759 [0.4141, 0.5377]</td></tr>
+    <tr><td>F1</td><td class="num">0.5676 [0.5270, 0.6082]</td></tr>
+  </tbody>
+</table>
+<table>
+  <thead><tr><th>Рабочий чекпоинт</th><th class="num">Значение</th></tr></thead>
+  <tbody>
+    <tr><td>Обучение / валидация</td><td class="num">199 снимков / 81 исследование — 53 снимка / 19 исследований, 16 нарушений</td></tr>
+    <tr><td>Эпоха / порог</td><td class="num">39 / логит −0.4930 (вероятность 0.379)</td></tr>
+    <tr><td>ROC-AUC / PR-AUC</td><td class="num">0.6706 / 0.4585</td></tr>
+    <tr><td>F1 / recall / precision</td><td class="num">0.5600 / 0.875 / 0.412</td></tr>
+    <tr><td>ROC-AUC по областям</td><td class="num">позвоночник 0.943, бедро R 0.576, бедро L 0.550</td></tr>
+  </tbody>
+</table>
+<div class="ok">
+<strong>Это обычный прогон с seed по умолчанию, а не лучший из выборки.</strong> Его собственная валидационная ROC-AUC 0.6706 близка к среднему по пяти seed'ам 0.6764 — результат не отобран по удачности.
+</div>
+
+<h3>11. Проверка вклада модели: смотрит ли она на снимок</h3>
+<p>В позвоночнике нарушений треть, у бёдер около трети, а область почти однозначно определяется шириной кадра. Отсюда вопрос: не выучила ли модель просто «область вместо качества». Проверка — сравнение с правилом «позвоночник значит нарушение».</p>
+<table>
+  <thead><tr><th>Предиктор</th><th class="num">Общий AUC</th><th class="num">spine</th><th class="num">hip_right</th><th class="num">hip_left</th></tr></thead>
+  <tbody>
+    <tr><td>Модель</td><td class="num">0.854</td><td class="num">0.928</td><td class="num">0.861</td><td class="num">0.853</td></tr>
+    <tr><td>Правило «позвоночник = нарушение»</td><td class="num">0.529</td><td class="num">0.500</td><td class="num">0.500</td><td class="num">0.500</td></tr>
+  </tbody>
+</table>
+<p>Внутри областей правило не имеет подсказки и даёт ровно 0.5; модель — 0.85–0.93. Значит, она использует содержимое снимка. Оговорка: проверка считается на всём наборе, включая обучающие снимки, поэтому значения смещены вверх; она отвечает на вопрос «есть ли вклад содержимого», а не «каково качество на новых данных».</p>
+
+<h3>12. Инференс, API и формат результата</h3>
+<table>
+  <thead><tr><th>Метод</th><th>Путь</th><th>Назначение</th></tr></thead>
+  <tbody>
+    <tr><td>GET</td><td><code>/api/v1/health</code></td><td>статус и происхождение загруженной модели</td></tr>
+    <tr><td>GET</td><td><code>/api/v1/model</code></td><td>карточка решения: разметка, данные, метрики, словарь нарушений, ограничения</td></tr>
+    <tr><td>POST</td><td><code>/api/v1/analyze</code></td><td>анализ одного файла</td></tr>
+    <tr><td>POST</td><td><code>/api/v1/analyze/detailed</code></td><td>расширенный отчёт, при необходимости с маской</td></tr>
+    <tr><td>POST</td><td><code>/api/v1/analyze/sr</code></td><td>текстовое представление отчёта DICOM SR</td></tr>
+    <tr><td>POST</td><td><code>/api/v1/batch</code></td><td>пакетный анализ</td></tr>
+    <tr><td>POST</td><td><code>/api/v1/export</code></td><td>пакетный анализ и выгрузка XLSX</td></tr>
+  </tbody>
+</table>
+<p>Ответ анализа по одному файлу, сверх обязательных колонок: <code>confidence</code>, <code>threshold_probability</code>, <code>region_confidence</code>, <code>violation_type_label</code>, <code>violation_type_is_heuristic</code>, <code>violation_type_note</code>, <code>reason</code>, <code>metrics</code>, <code>samples</code>.</p>
+<p>Ошибки не приводят к исключению: строка получает <code>processing_status = Failure</code>. Путь к чекпоинту задаётся переменной <code>DXA_MODEL_PATH</code>, чтобы контейнер не зависел от рабочего каталога.</p>
+
+<h3>13. Скорость и системные требования</h3>
+<table>
+  <thead><tr><th>Показатель</th><th class="num">Ускоритель (Apple MPS)</th><th class="num">CPU, 8 потоков</th></tr></thead>
+  <tbody>
+    <tr><td>Обработка одного снимка, медиана</td><td class="num">15 мс</td><td class="num">20 мс</td></tr>
+    <tr><td>Весь набор (544 файла)</td><td class="num">8 с</td><td class="num">—</td></tr>
+    <tr><td>На одно исследование (до 3 снимков)</td><td class="num">≈0.05 с</td><td class="num">≈0.06 с</td></tr>
+    <tr><td>Запас к бюджету 3 минуты</td><td class="num">&gt;3000×</td><td class="num">&gt;2500×</td></tr>
+  </tbody>
+</table>
+<p>Основное время уходит на декодирование DICOM и препроцессинг, а не на сеть: разница между ускорителем и процессором в пределах 1.4×. Значит, ускоритель для этой задачи не является узким местом. Минимальная конфигурация — CPU; чекпоинт занимает 43 МБ, память ограничена накладными расходами среды исполнения. Образ содержит только код и фронтенд; веса монтируются при запуске.</p>
+
+<h3>14. Тесты и воспроизводимость</h3>
+<ul>
+  <li><strong>208 тестов</strong> в <code>tests/</code>: разбор имён и склейка дублей, отсутствие утечки при разбиении, фиксация разбиения, разметка по таблице и три правила метки, единый словарь типов, приведение имён файлов с откатом, препроцессинг и метрики, контракт API для интерфейса.</li>
+  <li><strong>Три браузерных теста</strong> на живом сервере: переключение строк меняет панель деталей, ветка «нарушение» показывает пометку «эвристика», страница не обращается к внешним хостам.</li>
+  <li><strong>Воспроизводимость:</strong> фиксированные seed'ы, гиперпараметры в отчёте, состав разбиения в файле, происхождение модели внутри чекпоинта.</li>
+  <li><strong>Команды:</strong> <code>./run.sh label | rename | split | compare | train | infer | serve | test</code>.</li>
+</ul>
+
+<h3>15. Ограничения и что с ними делать</h3>
+<table>
+  <thead><tr><th>Ограничение</th><th>Следствие</th><th>Что планируется</th></tr></thead>
+  <tbody>
+    <tr><td>Разметка выведена из оценки исследования</td><td>поштучной экспертной оценки снимков нет</td><td>разметка отдельных снимков специалистом</td></tr>
+    <tr><td>Мало данных: 252 снимка, 77 нарушений</td><td>широкие интервалы, закрытый набор может дать другие цифры</td><td>500+ исследований</td></tr>
+    <tr><td>Тип нарушения — эвристика</td><td>5 снимков имеют только «нарушение без уточнения»</td><td>мультилейбл-модель по типам</td></tr>
+    <tr><td>Эталон — та же таблица</td><td>сравнение правил частично благоприятствует таблице</td><td>независимая экспертная оценка снимков</td></tr>
+    <tr><td>Область определяется по ширине кадра</td><td>порог привязан к текущему оборудованию</td><td>калибровка по метаданным аппарата</td></tr>
+    <tr><td>Теги латеральности пусты</td><td>сторона бедра в 7 исследованиях не проверяема</td><td>запрос тега у источника данных</td></tr>
+    <tr><td>Разметки ROI нет в DICOM</td><td>корректность областей наследуется из таблицы</td><td>проверка на данных с экспортной разметкой</td></tr>
+  </tbody>
+</table>
+
+<h3>16. Негативный результат, который стоит упомянуть</h3>
+<p>Планировалась визуальная разметка снимков локальной vision-моделью (9 млрд параметров, офлайн): это сняло бы зависимость от экспертной таблицы. На калибровке по 14 снимкам, из которых 8 заведомо с нарушениями, модель вынесла «непригоден» всем 14, включая все качественные, с шаблонными формулировками и выдуманными имплантами. Разделяющая способность — на уровне случайной.</p>
+<div class="warn">
+Вывод: разделяющую способность инструмента нужно проверять <em>до</em> того, как строить на нём пайплайн. Инструменты рендера снимков и контактных листов остались в проекте — они полезны для выборочной ручной проверки.
+</div>
+
+<h3>17. Быстрые ответы на неудобные вопросы</h3>
+<dl class="defs">
+  <dt>Почему ROC-AUC 0.68 — это не много?</dt>
+  <dd>Двести пятьдесят снимков и разметка, выведенная из оценки исследования. На таком объёме это ожидаемый порядок; выше 0.8 означало бы утечку или подгонку.</dd>
+  <dt>Почему не дообучали всю сеть?</dt>
+  <dd>Пробовали: train уходит в единицу, валидация — к случайной. Замороженный backbone и линейная голова дают устойчивый результат.</dd>
+  <dt>Почему не использовать все доступные пометки?</dt>
+  <dd>Проверили: служебные пометки расходились с экспертом в 15 случаях из 252, и обучение с ними дало ROC-AUC 0.6199 против 0.6764 — хуже на всех пяти seed'ах.</dd>
+  <dt>Почему тип нарушения не от модели?</dt>
+  <dd>Разметки типов на уровне снимка мало, а мультилейбл на 77 нарушениях дал бы ещё более широкие интервалы. Честнее показать эвристику с пометкой, чем модель, которой нельзя верить.</dd>
+  <dt>Что если на вход придёт область, которой не было?</dt>
+  <dd>Область определяется эвристикой; при неуверенности снимок относится к неизвестной области, а решение всё равно формируется и помечается в отчёте.</dd>
+  <dt>Можно ли доверять метрике на закрытом наборе?</dt>
+  <dd>Ожидаемо близко к валидационной, но с оговорками: порог подобран на валидации, объём мал, эталон — та же таблица. Ориентир — 0.68, а не выше.</dd>
+</dl>
+</section>
+</div>
+
+<footer class="page">
+  Все числа получены из артефактов проекта. Источники: <code>labels/labels_images.csv</code>, <code>models/compare_rules/rule_comparison.md</code>, <code>models/train_report.json</code>, <code>docs/labeling.md</code>, <code>README.md</code>, <code>QWEN.md</code>.
+  Страница самодостаточна и не обращается к внешним ресурсам.
+</footer>
+</div>
+
+<script>
+  // Переключение вариантов. Без JavaScript виден только первый вариант,
+  // поэтому в <head> есть <noscript> с показом всех трёх подряд.
+  (function () {
+    var tabs = Array.prototype.slice.call(document.querySelectorAll('.tabs button'));
+    var panels = Array.prototype.slice.call(document.querySelectorAll('.panel'));
+    tabs.forEach(function (tab) {
+      tab.addEventListener('click', function () {
+        tabs.forEach(function (t) { t.setAttribute('aria-selected', String(t === tab)); });
+        panels.forEach(function (p) { p.classList.toggle('active', p.id === tab.dataset.panel); });
+        window.scrollTo({ top: 0, behavior: 'smooth' });
+      });
+    });
+  })();
+</script>
+</body>
+</html>
diff --git a/docs/slides.html b/docs/slides.html
new file mode 100644
index 0000000..291c561
--- /dev/null
+++ b/docs/slides.html
@@ -0,0 +1,855 @@
+<!DOCTYPE html>
+<html lang="ru">
+<head>
+<meta charset="utf-8">
+<meta name="viewport" content="width=device-width, initial-scale=1">
+<title>Контроль качества DXA — презентация</title>
+<!--
+  Презентация самодостаточна: стили и скрипт внутри, внешних ресурсов нет.
+  Управление: → / Space — вперёд, ← — назад, Home / End — в начало и конец,
+  F — на весь экран, N — заметки докладчика. Слайды 1280×720, масштабируются
+  под окно. Печать выводит по слайду на страницу, без заметок.
+-->
+<style>
+  :root {
+    --ink: #16202b;
+    --muted: #5b6b7c;
+    --line: #dfe4ea;
+    --surface: #ffffff;
+    --bg: #eef1f5;
+    --table: #1d4ed8;   /* ряд «только экспертная таблица» */
+    --union: #b45309;   /* ряд «со служебными пометками» */
+    --viol: #be123c;    /* класс «нарушение» */
+    --good: #166534;    /* класс «качественное» */
+  }
+  * { box-sizing: border-box; }
+  html, body { height: 100%; }
+  body {
+    margin: 0; background: var(--bg); color: var(--ink);
+    font: 16px/1.45 -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, "Helvetica Neue", Arial, sans-serif;
+    overflow: hidden;
+  }
+  #viewport { position: fixed; inset: 0; display: flex; align-items: center; justify-content: center; }
+  #stage { width: 1280px; height: 720px; position: relative; transform-origin: center center; flex: 0 0 auto; }
+  .slide {
+    position: absolute; inset: 0; background: var(--surface); border-radius: 14px;
+    box-shadow: 0 10px 40px rgba(20, 32, 46, .16); padding: 44px 56px 52px;
+    display: none; flex-direction: column;
+  }
+  .slide.active { display: flex; }
+  .slide h1 { font-size: 40px; line-height: 1.15; margin: 0 0 10px; letter-spacing: -.01em; }
+  .slide h2 { font-size: 30px; line-height: 1.2; margin: 0 0 6px; letter-spacing: -.01em; }
+  .slide h2 .kicker { display: block; font-size: 14px; font-weight: 600; color: var(--table); text-transform: uppercase; letter-spacing: .08em; margin-bottom: 8px; }
+  .slide .sub { color: var(--muted); font-size: 17px; margin: 0 0 18px; }
+  .slide .body { flex: 1 1 auto; min-height: 0; }
+  .slide .foot { color: var(--muted); font-size: 13px; margin-top: 10px; }
+  p { margin: 8px 0; }
+  ul, ol { margin: 8px 0; padding-left: 22px; }
+  li { margin: 6px 0; }
+  .cols { display: flex; gap: 28px; }
+  .cols > * { flex: 1 1 0; min-width: 0; }
+  .grid2 { display: grid; grid-template-columns: 1fr 1fr; gap: 22px; }
+  .grid3 { display: grid; grid-template-columns: repeat(3, 1fr); gap: 18px; }
+  .grid4 { display: grid; grid-template-columns: repeat(4, 1fr); gap: 16px; }
+  .card { border: 1px solid var(--line); border-radius: 10px; padding: 14px 16px; }
+  .card .n { font-size: 30px; font-weight: 700; line-height: 1.1; display: block; }
+  .card .l { color: var(--muted); font-size: 13px; }
+  .card.accent { border-color: var(--table); background: #f4f8ff; }
+  .num { font-variant-numeric: tabular-nums; }
+  table { width: 100%; border-collapse: collapse; font-size: 16px; }
+  th, td { border-bottom: 1px solid var(--line); padding: 7px 10px; text-align: left; }
+  th { font-weight: 600; color: var(--muted); font-size: 13px; text-transform: uppercase; letter-spacing: .05em; border-bottom: 2px solid var(--line); }
+  td.r, th.r { text-align: right; font-variant-numeric: tabular-nums; }
+  code { font-family: ui-monospace, SFMono-Regular, Menlo, Consolas, monospace; font-size: 14px; background: #f2f5f8; padding: 1px 5px; border-radius: 4px; }
+  .big { font-size: 26px; font-weight: 700; }
+  .muted { color: var(--muted); }
+  .small { font-size: 14px; }
+  .tag { display: inline-block; font-size: 12px; padding: 1px 8px; border-radius: 999px; background: #eef1f5; color: #44515e; margin-right: 6px; }
+  .tag.orange { background: #fdf1e3; color: #8a5a00; }
+  .callout { border-left: 4px solid var(--table); background: #f4f8ff; border-radius: 0 8px 8px 0; padding: 12px 16px; margin: 10px 0; }
+  .callout.warn { border-left-color: var(--union); background: #fdf6e3; }
+  .callout.ok { border-left-color: var(--good); background: #eefaf3; }
+  .steps { counter-reset: s; list-style: none; padding: 0; margin: 0; }
+  .steps li { counter-increment: s; position: relative; padding-left: 40px; margin: 12px 0; }
+  .steps li::before {
+    content: counter(s); position: absolute; left: 0; top: -2px;
+    width: 26px; height: 26px; border-radius: 50%; background: var(--table); color: #fff;
+    font-size: 14px; font-weight: 700; display: flex; align-items: center; justify-content: center;
+  }
+  .chips { display: flex; flex-wrap: wrap; gap: 8px; }
+  .chip { border: 1px solid var(--line); border-radius: 8px; padding: 8px 10px; font-size: 13px; min-width: 150px; }
+  .chip b { display: block; font-size: 14px; }
+  .chip span { color: var(--muted); font-size: 12px; }
+  .chip.t { border-left: 4px solid var(--table); }
+  .chip.c { border-left: 4px solid var(--union); }
+  .chip.s { border-left: 4px solid #94a3b8; }
+  .flow { display: flex; align-items: stretch; gap: 0; }
+  .flow .node { flex: 1; border: 1px solid var(--line); border-radius: 8px; padding: 10px 12px; font-size: 13px; }
+  .flow .node b { display: block; font-size: 14px; margin-bottom: 2px; }
+  .flow .arrow { display: flex; align-items: center; padding: 0 8px; color: var(--muted); font-size: 18px; }
+  .bars { display: flex; flex-direction: column; gap: 16px; }
+  .barrow { display: grid; grid-template-columns: 210px 1fr; gap: 14px; align-items: center; }
+  .barrow .lbl { font-size: 15px; font-weight: 600; }
+  .barrow .lbl span { display: block; font-weight: 400; font-size: 12px; color: var(--muted); }
+  .bar { height: 42px; border-radius: 6px; overflow: hidden; display: flex; border: 1px solid var(--line); }
+  .bar .seg { display: flex; align-items: center; justify-content: center; color: #fff; font-size: 13px; font-weight: 600; }
+  .legend { display: flex; gap: 18px; font-size: 13px; color: var(--muted); margin-top: 6px; }
+  .legend i { display: inline-block; width: 11px; height: 11px; border-radius: 3px; margin-right: 6px; vertical-align: -1px; }
+  .notes { display: none; margin-top: 12px; border-top: 1px dashed var(--line); padding-top: 8px; font-size: 13px; color: var(--muted); max-height: 120px; overflow: auto; }
+  body.notes-on .notes { display: block; }
+  #hud {
+    position: fixed; left: 0; right: 0; bottom: 0; display: flex; align-items: center; gap: 12px;
+    padding: 6px 14px; font-size: 12px; color: var(--muted);
+    background: linear-gradient(to top, rgba(238,241,245,.96), rgba(238,241,245,0)); pointer-events: none;
+  }
+  #progress { flex: 1; height: 4px; background: #d7dde5; border-radius: 2px; overflow: hidden; }
+  #progress i { display: block; height: 100%; width: 0; background: var(--table); transition: width .18s ease; }
+  svg text { font-family: inherit; }
+  @media print {
+    @page { size: 1280px 720px; margin: 0; }
+    body { overflow: visible; background: #fff; }
+    #viewport { position: static; display: block; }
+    #stage { width: auto; height: auto; transform: none !important; }
+    .slide { display: flex !important; position: static; page-break-after: always; break-after: page; box-shadow: none; border-radius: 0; width: 1280px; height: 720px; }
+    .notes, #hud { display: none !important; }
+  }
+</style>
+</head>
+<body>
+
+<div id="viewport"><div id="stage">
+
+<!-- 1 -->
+<section class="slide">
+  <h2><span class="kicker">Контроль качества денситометрии</span>Цифровой помощник по оценке качества DXA</h2>
+  <p class="sub">Принимает снимок DICOM и решает, пригоден ли он для дальнейшего анализа, с указанием причины</p>
+  <div class="body">
+    <div class="grid4">
+      <div class="card"><span class="n">2</span><span class="l">анатомические области: поясничный отдел, проксимальный отдел бедра</span></div>
+      <div class="card"><span class="n">252</span><span class="l">уникальных снимка в 100 исследованиях</span></div>
+      <div class="card accent"><span class="n">≈0.05 с</span><span class="l">на исследование при бюджете 3 минуты</span></div>
+      <div class="card"><span class="n">офлайн</span><span class="l">в контейнере, без передачи снимков наружу</span></div>
+    </div>
+    <div class="callout" style="margin-top:22px">
+      <b>Главная работа — не архитектура, а разметка.</b> Экспертная оценка в наборе сделана на уровне исследования; мы перенесли её на отдельные снимки и <b>измерили</b>, какое правило разметки даёт лучшее качество. Правило выбиралось экспериментом, а не по вкусу.
+    </div>
+  </div>
+  <div class="foot">Формат результата: одна строка на снимок — path_to_study, study_uid, image_uid, anatomical_region, quality_class, violation_type, processing_status, time_of_processing</div>
+  <aside class="notes">Начать с задачи, не с технологии. Сразу назвать главный тезис: качество пришло из работы с разметкой, проверенной измерением. Детали — на слайдах 4–6.</aside>
+</section>
+
+<!-- 2 -->
+<section class="slide">
+  <h2><span class="kicker">Постановка</span>Что подаём на вход и что получаем на выходе</h2>
+  <div class="body">
+    <div class="cols">
+      <div>
+        <div class="flow">
+          <div class="node"><b>DICOM</b>до трёх изображений в исследовании, разметки ROI внутри нет</div>
+          <div class="arrow">→</div>
+          <div class="node"><b>Решение</b>область + бинарный класс + тип нарушения</div>
+          <div class="arrow">→</div>
+          <div class="node"><b>Таблица</b>XLSX или CSV, строка на снимок</div>
+        </div>
+        <table style="margin-top:18px">
+          <tr><th>Колонка результата</th><th>Содержание</th></tr>
+          <tr><td><code>study_uid</code>, <code>image_uid</code></td><td>идентификаторы исследования и снимка из DICOM</td></tr>
+          <tr><td><code>anatomical_region</code></td><td>позвоночник, правое или левое бедро</td></tr>
+          <tr><td><code>quality_class</code></td><td>0 — качественное, 1 — есть нарушение</td></tr>
+          <tr><td><code>violation_type</code></td><td>код нарушения из единого словаря</td></tr>
+          <tr><td><code>processing_status</code></td><td>Success или Failure, ошибки не выбрасываются исключением</td></tr>
+          <tr><td><code>time_of_processing</code></td><td>время обработки, секунды</td></tr>
+        </table>
+      </div>
+      <div>
+        <h3 style="margin-top:0">Требования, которые определили решения</h3>
+        <ul>
+          <li><b>Офлайн.</b> Медицинские изображения не покидают контур — это исключило внешние модели и облачные API на всех этапах, включая разметку.</li>
+          <li><b>Контейнер и скрипт запуска.</b> Зафиксированные версии зависимостей, образ без данных; веса монтируются при запуске.</li>
+          <li><b>До трёх минут на исследование.</b> Мы укладываемся с запасом более тысячи раз.</li>
+          <li><b>Воспроизводимость.</b> Фиксированные генераторы, состав разбиения в файле, происхождение модели внутри чекпоинта.</li>
+          <li><b>Приоритетные метрики.</b> F1 и ROC-AUC с 95 % доверительными интервалами — отсюда вся логика сравнения на слайдах 8–9.</li>
+        </ul>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Подчеркнуть: требование офлайна — не формальность, оно реально ограничило выбор инструментов и способа разметки. Про метрики: требование интервалов заставило делать многосеядовый эксперимент.</aside>
+</section>
+
+<!-- 3 -->
+<section class="slide">
+  <h2><span class="kicker">Данные</span>544 файла — это 252 снимка: половина набора оказалась дублями</h2>
+  <div class="body">
+    <div class="cols">
+      <div>
+        <div class="grid3" style="grid-template-columns:1fr 1fr">
+          <div class="card"><span class="n">544</span><span class="l">файла на диске</span></div>
+          <div class="card accent"><span class="n">252</span><span class="l">уникальных снимка по пикселям</span></div>
+          <div class="card"><span class="n">100</span><span class="l">исследований</span></div>
+          <div class="card"><span class="n">99 / 79 / 73</span><span class="l">позвоночник / бедро R / бедро L</span></div>
+        </div>
+        <h3>Что пришлось учесть</h3>
+        <ul class="small">
+          <li><b>Дубли.</b> Склейка по хешу пиксельных данных: иначе один снимок попадал в обучение и в валидацию одновременно.</li>
+          <li><b>Конфликт имён.</b> Два дубля одного снимка названы как разные области — область решается голосованием по именам.</li>
+          <li><b>Каталог ≠ StudyInstanceUID.</b> Экспертная таблица ссылается на имя каталога, в DICOM лежит другой идентификатор.</li>
+          <li><b>Латеральность пуста.</b> Теги стороны бедра не заполнены — сторону нельзя проверить по метаданным.</li>
+          <li><b>Разметки ROI нет.</b> Ни оверлеев, ни графических аннотаций — сравнить нанесённые области напрямую не с чем.</li>
+        </ul>
+      </div>
+      <div>
+        <h3 style="margin-top:0">Почему дубли — это не мелочь</h3>
+        <div class="callout warn">
+          Без склейки один и тот же снимок мог оказаться и в обучении, и в валидации. Метрика при этом выглядела бы лучше, а решение — хуже.
+        </div>
+        <div class="callout">
+          После склейки обнаружилось свойство, на котором держится вся разметка: <b>каждая анатомическая область встречается в исследовании ровно один раз.</b>
+        </div>
+        <h3>Распределение</h3>
+        <p class="small muted">Позвоночник 33 нарушения из 99, правое бедро 21 из 79, левое 22 из 73. Неравномерность учитываем отдельно: область почти однозначно определяется шириной кадра, поэтому общая метрика частично отражает различение области, а не качества.</p>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Не перечислять все аномалии, а назвать две, которые повлияли на решения: дубли и невозможность проверить латеральность. Если спросят про ROI — его в DICOM нет, поэтому корректность областей наследуется из таблицы.</aside>
+</section>
+
+<!-- 4 -->
+<section class="slide">
+  <h2><span class="kicker">Разметка</span>От оценки исследования — к метке отдельного снимка</h2>
+  <p class="sub">Экспертиза в наборе сделана по исследованиям; модель работает со снимками, поэтому вердикт нужно было перенести</p>
+  <div class="body">
+    <div class="cols">
+      <div>
+        <ol class="steps">
+          <li><b>Ключ склейки — имя каталога.</b> Таблица ссылается на каталог исследования, а не на тег DICOM; соответствие проверено — сто из ста.</li>
+          <li><b>Область — голосование по именам файлов.</b> Когда один снимок назван и как позвоночник, и как бедро, побеждает частое имя; при равенстве область остаётся неопределённой.</li>
+          <li><b>Перенос вердикта.</b> Оценка области переносится на её снимок. Основание — область встречается в исследовании ровно один раз, поэтому не нужно решать, какой из снимков «плохой».</li>
+          <li><b>Тип нарушения — из структурированных критериев таблицы.</b> Комментарии вроде «сколиоз» сохранены дословно: перекладывать свободный текст в код означало бы догадку.</li>
+        </ol>
+      </div>
+      <div>
+        <h3 style="margin-top:0">Что получилось</h3>
+        <div class="card accent">
+          <p class="big" style="margin:6px 0">252 снимка размечены</p>
+          <p class="small muted" style="margin:6px 0 0">175 качественных и 77 с нарушениями. Происхождение каждой строки сохранено отдельными столбцами: вердикт эксперта, первичная пометка из данных, факт расхождения, признак переноса стороны.</p>
+        </div>
+        <div class="callout" style="margin-top:14px">
+          Три снимка таблица область не оценивала. Для них метка взята из служебной пометки и помечена флагом — иначе они остались бы без метки вообще.
+        </div>
+        <div class="callout warn" style="margin-top:12px">
+          <b>Правило разметки выбиралось измерением</b> — об этом следующий слайд: служебные пометки при подготовке набора расходились с оценкой эксперта в 15 случаях из 252.
+        </div>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Подчеркнуть, что это не «мы придумали метки», а перенос уже существующей экспертной оценки с сохранением источника. Если спросят про честность — указать, что провенанс каждой строки в CSV.</aside>
+</section>
+
+<!-- 5 -->
+<section class="slide">
+  <h2><span class="kicker">Выбор правила</span>Какое правило разметки лучше — решил эксперимент</h2>
+  <p class="sub">Служебные пометки расходились с оценкой эксперта в 15 случаях из 252: верить на слово нельзя ни одному варианту</p>
+  <div class="body">
+    <div class="bars">
+      <div class="barrow">
+        <div class="lbl">Только экспертная таблица<span>принято по результату измерения</span></div>
+        <div class="bar">
+          <div class="seg" style="width:69.4%;background:#e7ecef;color:#3f4b58">175 качественных</div>
+          <div class="seg" style="width:30.6%;background:var(--viol)">77 нарушений</div>
+        </div>
+      </div>
+      <div class="barrow">
+        <div class="lbl">Таблица и служебные пометки<span>пометки при подготовке набора</span></div>
+        <div class="bar">
+          <div class="seg" style="width:63.5%;background:#e7ecef;color:#3f4b58">160 качественных</div>
+          <div class="seg" style="width:36.5%;background:var(--viol)">92</div>
+        </div>
+      </div>
+    </div>
+    <div class="legend"><span><i style="background:var(--viol)"></i>нарушение</span><span><i style="background:#e7ecef"></i>качественное</span><span>всего 252 снимка</span></div>
+    <div class="grid3" style="margin-top:20px">
+      <div class="card"><span class="n">15</span><span class="l">снимков, где пометка противоречит оценке эксперта</span></div>
+      <div class="card"><span class="n">5 × 2</span><span class="l">прогонов: пять seed'ов на два варианта</span></div>
+      <div class="card accent"><span class="n">одно разбиение</span><span class="l">и один эталон для обоих вариантов</span></div>
+    </div>
+    <div class="callout" style="margin-top:16px">
+      Учитывать ли служебные пометки — вопрос не вкуса, а измеримого качества. Постановка и результат — на слайдах 8–9.
+    </div>
+  </div>
+  <aside class="notes">Ключевой слайд про методологию. Если спросят «зачем вообще рассматривали пометки» — потому что они несут попиксельную информацию, которой в таблице нет; проверили и отказались по числу.</aside>
+</section>
+
+<!-- 6 -->
+<section class="slide">
+  <h2><span class="kicker">Таксономия</span>Девять кодов нарушений — из двух документов задания</h2>
+  <p class="sub">Пять кодирует экспертная таблица, три задаёт методика оценки пригодности, один служебный</p>
+  <div class="body">
+    <div class="chips">
+      <div class="chip t"><b>Некорректная укладка</b><span><code>positioning</code> · позвоночник</span></div>
+      <div class="chip t"><b>Отклонение оси</b><span><code>axis_deviation</code> · позвоночник</span></div>
+      <div class="chip t"><b>Артефакты и импланты</b><span><code>artifact</code> · любая область</span></div>
+      <div class="chip t"><b>Ротация, позиционирование</b><span><code>rotation</code> · бедро</span></div>
+      <div class="chip t"><b>Некорректная область интереса</b><span><code>roi_incorrect</code> · любая область</span></div>
+      <div class="chip c"><b>Движение, размытие</b><span><code>motion</code> · любая область</span></div>
+      <div class="chip c"><b>Анатомия видна не полностью</b><span><code>incomplete_anatomy</code> · любая область</span></div>
+      <div class="chip c"><b>Ошибка разметки</b><span><code>labeling_error</code> · позвоночник</span></div>
+      <div class="chip s"><b>Нарушение без уточнения</b><span><code>unspecified</code> · служебный код</span></div>
+    </div>
+    <div class="legend" style="margin-top:14px">
+      <span><i style="background:var(--table)"></i>экспертная таблица</span>
+      <span><i style="background:var(--union)"></i>критерии методики</span>
+      <span><i style="background:#94a3b8"></i>служебный</span>
+    </div>
+    <div class="callout warn" style="margin-top:18px">
+      <b>Раньше словарь существовал в трёх копиях</b> — в модуле инференса, в API и в JavaScript интерфейса, — и ни одна не знала кодов экспертной таблицы: в интерфейсе они показывались как есть. Теперь словарь один, подписи отдаёт сервер.
+    </div>
+    <p class="small muted">Распределение в разметке: <span class="num">rotation 36, artifact 17, axis_deviation 10, roi_incorrect 7, positioning 6, unspecified 5</span>.</p>
+  </div>
+  <aside class="notes">Если спросят про уровень нарушения — модель бинарная, тип определяется эвристикой по метрикам и в интерфейсе помечен. Мультилейбл — в планах.</aside>
+</section>
+
+<!-- 7 -->
+<section class="slide">
+  <h2><span class="kicker">Модель</span>Замороженный ResNet18 и линейная голова</h2>
+  <div class="body">
+    <div class="cols">
+      <div>
+        <div class="flow" style="margin-bottom:16px">
+          <div class="node"><b>DICOM</b>перцентильная нормализация, 224×224</div>
+          <div class="arrow">→</div>
+          <div class="node" style="background:#f4f8ff;border-color:var(--table)"><b>ResNet18</b>веса ImageNet, <b>заморожен</b></div>
+          <div class="arrow">→</div>
+          <div class="node"><b>Голова</b>линейный слой, 2 класса</div>
+        </div>
+        <table>
+          <tr><th>Параметр</th><th class="r">Значение</th></tr>
+          <tr><td>Обучаемые параметры</td><td class="r">тысячи вместо 11.2 млн</td></tr>
+          <tr><td>Вспомогательная голова области</td><td class="r">вес в потерях 0.3</td></tr>
+          <tr><td>Порог</td><td class="r">логит −0.493 (вероятность 0.379)</td></tr>
+          <tr><td>Чекпоинт</td><td class="r">42.8 МБ</td></tr>
+          <tr><td>Отбор эпохи</td><td class="r">сглаженный ROC-AUC, окно 5</td></tr>
+        </table>
+      </div>
+      <div>
+        <h3 style="margin-top:0">Почему не полное дообучение</h3>
+        <div class="callout warn">
+          Полный fine-tune на двухстах снимках переобучается: train-метрика уходит в единицу, качество на валидации — к случайному. Замороженный backbone даёт стабильные признаки.
+        </div>
+        <h3>Почему порог не 0.5</h3>
+        <p class="small">Вероятности насыщаются у краёв распределения, поэтому фиксированный порог при доле нарушений около 30 % давал почти нулевой recall. Порог подбирается по F1 на валидации и хранится в чекпоинте вместе с весами.</p>
+        <h3>Почему при заморозке отключён и train-режим</h3>
+        <p class="small">Слои нормализации остаются в eval: иначе бегущие статистики продолжают обновляться на обучающих батчах, и признаки уезжают от тех, на которых калибровалась входная нормализация.</p>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Главное — сказать, что простота здесь осознанная: 250 снимков не выдерживают сложную модель. Если спросят про архитектуры посерьёзнее — ответить, что упёрлись в объём данных, а не в ёмкость модели.</aside>
+</section>
+
+<!-- 8 -->
+<section class="slide">
+  <h2><span class="kicker">Проверено и отвергнуто</span>Три решения приняты по результатам экспериментов</h2>
+  <div class="body">
+    <div class="grid3">
+      <div class="card">
+        <span class="tag orange">отвергнуто</span>
+        <h3 style="margin:10px 0 6px">Аугментация</h3>
+        <p class="small">Яркость и положение снимка сами являются признаками качества. Случайные искажения уничтожают ровно ту информацию, которую надо распознать.</p>
+        <p class="big" style="color:var(--viol);margin:8px 0 0">AUC 0.87 → 0.56</p>
+        <p class="small muted" style="margin:2px 0 0">при включении аугментации</p>
+      </div>
+      <div class="card">
+        <span class="tag orange">отвергнуто</span>
+        <h3 style="margin:10px 0 6px">Служебные пометки в данных</h3>
+        <p class="small">Служебные пометки расходились с оценкой эксперта в 15 случаях из 252. Обучение с ними дало худшее качество на невиданных исследованиях.</p>
+        <p class="big" style="color:var(--viol);margin:8px 0 0">ROC-AUC 0.620</p>
+        <p class="small muted" style="margin:2px 0 0">против 0.676 у правила «только таблица»</p>
+      </div>
+      <div class="card">
+        <span class="tag orange">отвергнуто</span>
+        <h3 style="margin:10px 0 6px">Локальная vision-модель 9B</h3>
+        <p class="small">Планировали размечать снимки визуально, офлайн. На калибровке из 14 снимков модель вынесла «непригоден» всем 14 — включая заведомо качественные — с выдуманными имплантами.</p>
+        <p class="big" style="color:var(--viol);margin:8px 0 0">14 из 14</p>
+        <p class="small muted" style="margin:2px 0 0">разделяющая способность на уровне случайной</p>
+      </div>
+    </div>
+    <div class="callout ok" style="margin-top:20px">
+      <b>Общее правило:</b> инструмент проверяется на разделяющую способность до того, как строить на нём пайплайн. Каждая из трёх проверок заняла один прогон, а не дни разработки.
+    </div>
+  </div>
+  <aside class="notes">Это слайд про инженерную зрелость: три гипотезы, три проверки, три отказа. Если спросят про внешние API — из-за требования офлайна, и это осознанное ограничение.</aside>
+</section>
+
+<!-- 9 -->
+<section class="slide">
+  <h2><span class="kicker">Эксперимент</span>Как сравнивать варианты, не обманывая себя</h2>
+  <div class="body">
+    <div class="cols">
+      <div>
+        <div class="callout warn">
+          <b>Ловушка первая.</b> Обучать и оценивать на одних и тех же метках — круговое сравнение: выигрывает тот вариант, который проще запомнить.
+          <p style="margin:8px 0 0"><b>Ловушка вторая.</b> Разбиение стратифицируется по нарушениям, а они зависят от меток. Без фиксации у вариантов были бы разные валидационные наборы, и метрики оказались бы несравнимы.</p>
+        </div>
+        <h3>Что сделали</h3>
+        <ol class="steps">
+          <li><b>Зафиксировали разбиение</b> по исследованиям — стратификация по вердикту эксперта.</li>
+          <li><b>Обучили оба варианта пятью seed'ами</b> на одном и том же наборе исследований; отличаются только метки.</li>
+          <li><b>Оценили оба по одному эталону</b> — вердикту эксперта на снимках валидации.</li>
+        </ol>
+      </div>
+      <div>
+        <h3 style="margin-top:0">Схема</h3>
+        <div class="card" style="font-size:14px">
+          <p style="margin:0 0 10px"><b>Валидация:</b> 53 снимка, 16 нарушений по эталону. Снимки валидации не участвуют в обучении ни в одном варианте.</p>
+          <div class="flow" style="flex-direction:column;gap:10px">
+            <div class="node" style="border-color:var(--table)"><b>Вариант A — только экспертная таблица</b>77 нарушений в наборе</div>
+            <div class="node" style="border-color:var(--union)"><b>Вариант B — таблица и служебные пометки</b>92 нарушения в наборе</div>
+            <div class="node" style="background:#f2f5f8"><b>Один эталон для обоих</b>вердикт эксперта, а не собственные метки варианта</div>
+          </div>
+        </div>
+        <p class="small muted">Порог для F1 подбирается на эталоне отдельно для каждой модели, поэтому F1 сравнивается как рабочая точка, а ROC-AUC и PR-AUC — как беспороговые метрики.</p>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Это методологический слайд: показать, что мы понимаем разницу между «модель предсказывает свои метки» и «модель предсказывает эталон». Именно здесь чаще всего ошибаются.</aside>
+</section>
+
+<!-- 10 -->
+<section class="slide">
+  <h2><span class="kicker">Результат</span>Правило «только экспертная таблица» выигрывает устойчиво</h2>
+  <p class="sub">Среднее по пяти seed'ам, 95 % доверительный интервал, оценка по одному эталону</p>
+  <div class="body">
+    <div class="cols" style="align-items:flex-start">
+      <div style="flex:1.15 1 0">
+        <svg viewBox="0 0 720 300" width="100%" height="300" role="img" aria-label="ROC-AUC, PR-AUC и F1 для двух правил разметки с доверительными интервалами">
+          <g stroke="#e7ecf1" stroke-width="1">
+            <line x1="80" y1="18" x2="80" y2="262"></line>
+            <line x1="240" y1="18" x2="240" y2="262"></line>
+            <line x1="400" y1="18" x2="400" y2="262"></line>
+            <line x1="560" y1="18" x2="560" y2="262"></line>
+          </g>
+          <line x1="240" y1="18" x2="240" y2="262" stroke="#94a3b8" stroke-width="1.5" stroke-dasharray="5 4"></line>
+          <g font-size="12" fill="#5b6b7c">
+            <text x="80" y="12" text-anchor="middle">0.40</text>
+            <text x="240" y="12" text-anchor="middle">0.50</text>
+            <text x="400" y="12" text-anchor="middle">0.60</text>
+            <text x="560" y="12" text-anchor="middle">0.70</text>
+            <text x="244" y="290" font-size="12" fill="#94a3b8">0.5 — случайное угадывание</text>
+          </g>
+          <g font-size="14" fill="#16202b">
+            <text x="0" y="58">ROC-AUC</text>
+            <text x="0" y="148">PR-AUC</text>
+            <text x="0" y="238">F1</text>
+          </g>
+          <!-- ROC-AUC: таблица 0.6764 [0.6309, 0.7218] -->
+          <line x1="449.4" y1="48" x2="594.9" y2="48" stroke="#1d4ed8" stroke-width="3"></line>
+          <line x1="449.4" y1="42" x2="449.4" y2="54" stroke="#1d4ed8" stroke-width="3"></line>
+          <line x1="594.9" y1="42" x2="594.9" y2="54" stroke="#1d4ed8" stroke-width="3"></line>
+          <circle cx="522.2" cy="48" r="7" fill="#1d4ed8"></circle>
+          <text x="522" y="34" font-size="14" font-weight="700" fill="#1d4ed8" text-anchor="middle">0.6764</text>
+          <!-- ROC-AUC: с пометками 0.6199 [0.5840, 0.6559] -->
+          <line x1="374.4" y1="72" x2="489.4" y2="72" stroke="#b45309" stroke-width="3"></line>
+          <line x1="374.4" y1="66" x2="374.4" y2="78" stroke="#b45309" stroke-width="3"></line>
+          <line x1="489.4" y1="66" x2="489.4" y2="78" stroke="#b45309" stroke-width="3"></line>
+          <circle cx="431.8" cy="72" r="7" fill="#b45309"></circle>
+          <text x="431" y="102" font-size="14" font-weight="700" fill="#b45309" text-anchor="middle">0.6199</text>
+          <!-- PR-AUC: таблица 0.4759 [0.4141, 0.5377] -->
+          <line x1="102.6" y1="138" x2="300.3" y2="138" stroke="#1d4ed8" stroke-width="3"></line>
+          <line x1="102.6" y1="132" x2="102.6" y2="144" stroke="#1d4ed8" stroke-width="3"></line>
+          <line x1="300.3" y1="132" x2="300.3" y2="144" stroke="#1d4ed8" stroke-width="3"></line>
+          <circle cx="201.4" cy="138" r="7" fill="#1d4ed8"></circle>
+          <text x="201" y="124" font-size="14" font-weight="700" fill="#1d4ed8" text-anchor="middle">0.4759</text>
+          <!-- PR-AUC: с пометками 0.4046 [0.3702, 0.4391] -->
+          <line x1="32.3" y1="162" x2="142.6" y2="162" stroke="#b45309" stroke-width="3"></line>
+          <line x1="32.3" y1="156" x2="32.3" y2="168" stroke="#b45309" stroke-width="3"></line>
+          <line x1="142.6" y1="156" x2="142.6" y2="168" stroke="#b45309" stroke-width="3"></line>
+          <circle cx="87.4" cy="162" r="7" fill="#b45309"></circle>
+          <text x="87" y="192" font-size="14" font-weight="700" fill="#b45309" text-anchor="middle">0.4046</text>
+          <!-- F1: таблица 0.5676 [0.5270, 0.6082] -->
+          <line x1="283.2" y1="228" x2="413.1" y2="228" stroke="#1d4ed8" stroke-width="3"></line>
+          <line x1="283.2" y1="222" x2="283.2" y2="234" stroke="#1d4ed8" stroke-width="3"></line>
+          <line x1="413.1" y1="222" x2="413.1" y2="234" stroke="#1d4ed8" stroke-width="3"></line>
+          <circle cx="348.2" cy="228" r="7" fill="#1d4ed8"></circle>
+          <text x="348" y="214" font-size="14" font-weight="700" fill="#1d4ed8" text-anchor="middle">0.5676</text>
+          <!-- F1: с пометками 0.5426 [0.5073, 0.5778] -->
+          <line x1="251.7" y1="252" x2="364.5" y2="252" stroke="#b45309" stroke-width="3"></line>
+          <line x1="251.7" y1="246" x2="251.7" y2="258" stroke="#b45309" stroke-width="3"></line>
+          <line x1="364.5" y1="246" x2="364.5" y2="258" stroke="#b45309" stroke-width="3"></line>
+          <circle cx="308.2" cy="252" r="7" fill="#b45309"></circle>
+          <text x="308" y="282" font-size="14" font-weight="700" fill="#b45309" text-anchor="middle">0.5426</text>
+        </svg>
+        <div class="legend" style="justify-content:center">
+          <span><i style="background:var(--table)"></i>только экспертная таблица</span>
+          <span><i style="background:var(--union)"></i>со служебными пометками</span>
+          <span>отрезок — 95 % доверительный интервал</span>
+        </div>
+      </div>
+      <div>
+        <div class="card accent">
+          <span class="l">Парная разница (таблица − с пометками)</span>
+          <p class="big" style="margin:8px 0 4px">ROC-AUC <span style="color:var(--table)">+0.0564</span></p>
+          <p class="small muted" style="margin:0">интервал +0.0403 … +0.0725</p>
+          <p class="big" style="margin:12px 0 4px">PR-AUC <span style="color:var(--table)">+0.0713</span></p>
+          <p class="small muted" style="margin:0">интервал +0.0398 … +0.1028</p>
+          <p class="big" style="margin:12px 0 4px">F1 <span style="color:var(--table)">+0.0251</span></p>
+          <p class="small muted" style="margin:0">интервал −0.0056 … +0.0558</p>
+        </div>
+        <div class="callout" style="margin-top:14px">
+          ROC-AUC и PR-AUC выше на <b>всех пяти seed'ах</b>, доверительный интервал не включает ноль.
+        </div>
+        <p class="small muted">Оговорка: эталон — та же таблица, поэтому сравнение частично благоприятствует ей. Значимо то, что добавление служебных пометок согласие с экспертом <b>снижает</b>.</p>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Назвать именно 0.6764 — это честная оценка. Не путать с 0.6706 (собственная валидация рабочего чекпоинта) — это другой набор.</aside>
+</section>
+
+<!-- 11 -->
+<section class="slide">
+  <h2><span class="kicker">Проверка вклада модели</span>Модель смотрит на снимок, а не угадывает анатомию</h2>
+  <p class="sub">Нарушения распределены почти равномерно, но область почти однозначно определяется шириной кадра — поэтому нужна отдельная проверка</p>
+  <div class="body">
+    <div class="cols" style="align-items:flex-start">
+      <div style="flex:1.1 1 0">
+        <svg viewBox="0 0 680 280" width="100%" height="280" role="img" aria-label="Сравнение модели и правила по области: общий AUC и AUC внутри каждой области">
+          <g stroke="#e7ecf1" stroke-width="1">
+            <line x1="93.3" y1="10" x2="93.3" y2="240"></line>
+            <line x1="280" y1="10" x2="280" y2="240"></line>
+            <line x1="466.7" y1="10" x2="466.7" y2="240"></line>
+            <line x1="560" y1="10" x2="560" y2="240"></line>
+          </g>
+          <line x1="93.3" y1="10" x2="93.3" y2="240" stroke="#94a3b8" stroke-width="1.5" stroke-dasharray="5 4"></line>
+          <g font-size="12" fill="#5b6b7c">
+            <text x="93.3" y="258" text-anchor="middle">0.5</text>
+            <text x="280" y="258" text-anchor="middle">0.7</text>
+            <text x="466.7" y="258" text-anchor="middle">0.9</text>
+            <text x="560" y="258" text-anchor="middle">1.0</text>
+            <text x="93.3" y="272" text-anchor="middle" fill="#94a3b8">порог случайного угадывания</text>
+          </g>
+          <g font-size="14" fill="#16202b">
+            <text x="0" y="34">Общий</text>
+            <text x="0" y="94">Позвоночник</text>
+            <text x="0" y="154">Бедро R</text>
+            <text x="0" y="214">Бедро L</text>
+          </g>
+          <!-- Общий: правило 0.529 (120.4) -> модель 0.854 (423.7) -->
+          <line x1="120.4" y1="30" x2="423.7" y2="30" stroke="#c8d2dc" stroke-width="4"></line>
+          <circle cx="120.4" cy="30" r="6" fill="#b45309"></circle>
+          <circle cx="423.7" cy="30" r="7" fill="#1d4ed8"></circle>
+          <text x="107" y="20" font-size="12" fill="#b45309" text-anchor="end">0.529</text>
+          <text x="435" y="20" font-size="13" font-weight="700" fill="#1d4ed8">0.854</text>
+          <!-- Позвоночник: правило 0.5 -> модель 0.928 -->
+          <line x1="93.3" y1="90" x2="492.8" y2="90" stroke="#c8d2dc" stroke-width="4"></line>
+          <circle cx="93.3" cy="90" r="6" fill="#b45309"></circle>
+          <circle cx="492.8" cy="90" r="7" fill="#1d4ed8"></circle>
+          <text x="80" y="80" font-size="12" fill="#b45309" text-anchor="end">0.500</text>
+          <text x="504" y="80" font-size="13" font-weight="700" fill="#1d4ed8">0.928</text>
+          <!-- Бедро R: правило 0.5 -> модель 0.861 -->
+          <line x1="93.3" y1="150" x2="430.3" y2="150" stroke="#c8d2dc" stroke-width="4"></line>
+          <circle cx="93.3" cy="150" r="6" fill="#b45309"></circle>
+          <circle cx="430.3" cy="150" r="7" fill="#1d4ed8"></circle>
+          <text x="80" y="140" font-size="12" fill="#b45309" text-anchor="end">0.500</text>
+          <text x="442" y="140" font-size="13" font-weight="700" fill="#1d4ed8">0.861</text>
+          <!-- Бедро L: правило 0.5 -> модель 0.853 -->
+          <line x1="93.3" y1="210" x2="422.8" y2="210" stroke="#c8d2dc" stroke-width="4"></line>
+          <circle cx="93.3" cy="210" r="6" fill="#b45309"></circle>
+          <circle cx="422.8" cy="210" r="7" fill="#1d4ed8"></circle>
+          <text x="80" y="200" font-size="12" fill="#b45309" text-anchor="end">0.500</text>
+          <text x="434" y="200" font-size="13" font-weight="700" fill="#1d4ed8">0.853</text>
+        </svg>
+        <div class="legend" style="justify-content:center">
+          <span><i style="background:var(--table)"></i>модель</span>
+          <span><i style="background:var(--union)"></i>правило «позвоночник = нарушение»</span>
+        </div>
+      </div>
+      <div>
+        <div class="callout ok">
+          Внутри области правило не имеет подсказки и даёт ровно <b>0.500</b>. Модель на тех же снимках — <b>0.85–0.93</b>. Значит, она использует содержимое изображения.
+        </div>
+        <h3>Как читать числа</h3>
+        <ul class="small">
+          <li><b>Общий</b> — по всему набору, включая обучающие снимки, поэтому значения смещены вверх.</li>
+          <li>Проверка отвечает на вопрос «есть ли вклад содержимого», а не «каково качество на новых данных».</li>
+          <li>Общий AUC у правила 0.529 — тоже выше 0.5, потому что в позвоночнике нарушений чуть больше: это и есть та подсказка, которую проверка исключает.</li>
+        </ul>
+        <div class="callout warn" style="margin-top:12px">
+          Без этой проверки можно было бы принять за распознавание качества обычное определение анатомической области.
+        </div>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Это ответ на самый вероятный неудобный вопрос. Обратить внимание: внутри области правило всегда 0.5 — именно потому, что внутри области подсказки нет by design.</aside>
+</section>
+
+<!-- 12 -->
+<section class="slide">
+  <h2><span class="kicker">Рабочая модель</span>Метрики чекпоинта и одна честная оговорка</h2>
+  <div class="body">
+    <div class="cols">
+      <div>
+        <table>
+          <tr><th>Собственная валидация</th><th class="r">Значение</th></tr>
+          <tr><td>Объём: 53 снимка / 19 исследований</td><td class="r">16 нарушений</td></tr>
+          <tr><td>ROC-AUC</td><td class="r">0.6706</td></tr>
+          <tr><td>PR-AUC</td><td class="r">0.4585</td></tr>
+          <tr><td>F1 / recall / precision</td><td class="r">0.5600 / 0.875 / 0.412</td></tr>
+          <tr><td>Порог</td><td class="r">логит −0.493 (вероятность 0.379)</td></tr>
+        </table>
+        <table style="margin-top:16px">
+          <tr><th>ROC-AUC по областям</th><th class="r">n / нарушений</th><th class="r">AUC</th></tr>
+          <tr><td>Позвоночник</td><td class="r">19 / 5</td><td class="r">0.943</td></tr>
+          <tr><td>Бедро R</td><td class="r">17 / 6</td><td class="r">0.576</td></tr>
+          <tr><td>Бедро L</td><td class="r">17 / 5</td><td class="r">0.550</td></tr>
+        </table>
+      </div>
+      <div>
+        <div class="callout ok">
+          <b>Это обычный прогон с seed по умолчанию</b>, а не лучший из выборки. Его собственная оценка 0.6706 близка к среднему по пяти seed'ам 0.6764 — результат не отобран по удачности.
+        </div>
+        <div class="callout warn">
+          <b>Чего нельзя утверждать.</b> Порог подобран на той же валидации по F1, поэтому F1 смещён вверх. Эталон — экспертная таблица, независимой истины нет. В валидации всего 16 нарушений, интервалы широкие.
+        </div>
+        <h3>Что это означает для внедрения</h3>
+        <p class="small">Ориентир для планирования — ROC-AUC около 0.68. Модель стоит использовать как фильтр для приоритизации ручного просмотра, а не как единственное заключение: пропуск нарушения дороже ложной тревоги.</p>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Если спросят «почему не взяли лучший seed» — ответить: взяли обычный, потому что показывать надо воспроизводимый результат; честное среднее названо рядом.</aside>
+</section>
+
+<!-- 13 -->
+<section class="slide">
+  <h2><span class="kicker">Интерфейс</span>Результаты обработки — и как открыть детали</h2>
+  <p class="sub">Скриншоты настоящего сервиса: загружены три снимка, обработаны за доли секунды</p>
+  <div class="body">
+    <img src="data:image/png;base64,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" alt="Полоса состояния: загруженная модель, разметка, эпоха, порог"
+         style="display:block;width:100%;border:1px solid var(--line);border-radius:8px">
+    <img src="data:image/png;base64,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" alt="Таблица результатов: статистика по файлам, подсказка о кликабельности строк, строки с качеством и уверенностью"
+         style="display:block;max-height:376px;width:auto;margin:8px auto 0;border:1px solid var(--line);border-radius:8px">
+    <p class="small muted" style="margin:6px 0 0">
+      Сверху — что за модель работает; ниже — статистика и таблица. Подсказка над таблицей объясняет, что строки открываются кликом.
+    </p>
+  </div>
+  <aside class="notes">Показать живьём, если есть возможность. Ключевое: полоса состояния называет разметку и порог — по интерфейсу сразу видно, какая версия модели работает.</aside>
+</section>
+
+<!-- 14 -->
+<section class="slide">
+  <h2><span class="kicker">Интерфейс</span>Панель деталей: нарушение и норма</h2>
+  <p class="sub">Открывается кликом по строке: заключение, измерения и визуализация снимка</p>
+  <div class="body">
+    <div class="cols" style="gap:16px;align-items:flex-start">
+      <div style="flex:1 1 0">
+        <img src="data:image/png;base64,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" alt="Панель деталей для снимка с нарушением: красный бейдж, заключение, визуализация"
+             style="display:block;width:100%;border:1px solid var(--line);border-radius:8px">
+        <p class="small muted" style="margin-top:6px"><b>Нарушение.</b> Бейдж «Нарушение», уровень HIGH, заключение с вероятностью и порогом, тип нарушения с пометкой «эвристика».</p>
+      </div>
+      <div style="flex:1 1 0">
+        <img src="data:image/png;base64,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" alt="Панель деталей для качественного снимка: визуализация и измерения"
+             style="display:block;width:100%;border:1px solid var(--line);border-radius:8px">
+        <p class="small muted" style="margin-top:6px"><b>Норма.</b> Зелёный бейдж. Измерения (резкость, границы области) подписаны как справочные — их пороги не калиброваны.</p>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Специально показаны обе ветки: важно, что интерфейс не выдаёт эвристику за заключение и подписывает справочные метрики. Визуализация — PNG, построенный на сервере.</aside>
+</section>
+
+<!-- 15 -->
+<section class="slide">
+  <h2><span class="kicker">Интерфейс</span>Панель «О модели»: числа без завышения</h2>
+  <div class="body">
+    <div class="cols" style="align-items:flex-start">
+      <div style="flex:1.25 1 0">
+        <img src="data:image/png;base64,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" alt="Панель «О модели»: происхождение чекпоинта, метрики сравнения правил разметки, состав данных, словарь нарушений"
+             style="display:block;width:100%;border:1px solid var(--line);border-radius:8px">
+      </div>
+      <div>
+        <h3 style="margin-top:0">Что здесь важно</h3>
+        <ul class="small">
+          <li>Названо <b>происхождение чекпоинта</b>: разметка, эпоха, порог решения.</li>
+          <li><b>Метрики сравнения правил</b> с 95 % интервалами — те же числа, что в отчёте, а не отдельная «красивая» сводка.</li>
+          <li>Состав данных: 252 снимка, 100 исследований, 77 нарушений в разметке, 3 снимка без экспертной оценки — они не спрятаны.</li>
+          <li>Словарь типов нарушений с указанием источника каждого кода.</li>
+          <li>Список ограничений — прямо в интерфейсе, а не только в документации.</li>
+        </ul>
+        <div class="callout ok">
+          Панель собирается из ответа сервера: подписи и числа не дублируются в JavaScript, поэтому интерфейс не может разойтись с моделью.
+        </div>
+      </div>
+    </div>
+  </div>
+  <aside class="notes">Ответ на вопрос «а можно посмотреть, что внутри». Панель открывается кнопкой в шапке; те же данные доступны через /api/v1/model.</aside>
+</section>
+
+<!-- 16 -->
+<section class="slide">
+  <h2><span class="kicker">Эксплуатация</span>Скорость, требования и упаковка</h2>
+  <div class="body">
+    <div class="grid4">
+      <div class="card accent"><span class="n">15 мс</span><span class="l">на снимок на ускорителе, медиана</span></div>
+      <div class="card"><span class="n">20 мс</span><span class="l">на снимок на CPU, 8 потоков</span></div>
+      <div class="card"><span class="n">≈0.05 с</span><span class="l">на исследование из трёх снимков</span></div>
+      <div class="card"><span class="n">&gt;3000×</span><span class="l">запас к бюджету три минуты</span></div>
+    </div>
+    <div class="cols" style="margin-top:20px">
+      <div>
+        <h3 style="margin-top:0">Что показали замеры</h3>
+        <ul class="small">
+          <li>Разница между ускорителем и процессором — в пределах 1.4×. Время уходит на декодирование DICOM и препроцессинг, а не на сеть.</li>
+          <li>Значит, ускоритель для этой задачи не обязателен: минимальная конфигурация — CPU.</li>
+          <li>Чекпоинт 42.8 МБ, память ограничена средой исполнения, а не моделью.</li>
+        </ul>
+      </div>
+      <div>
+        <h3 style="margin-top:0">Упаковка и API</h3>
+        <ul class="small">
+          <li>Контейнер с зафиксированными версиями; образ без данных и без весов — чекпоинт монтируется при запуске.</li>
+          <li>Пакетная обработка, выгрузка XLSX, текстовый отчёт DICOM SR, веб-интерфейс с панелью «О модели».</li>
+          <li><code>processing_status = Failure</code> вместо исключения — отчёт формируется всегда.</li>
+          <li>208 автотестов, включая три браузерных сценария на живом сервере.</li>
+        </ul>
+      </div>
+    </div>
+    <div class="callout ok" style="margin-top:18px">
+      <b>Интерфейс не утверждает больше, чем известно решению:</b> тип нарушения помечен как эвристика, метрика названа без завышения, средняя уверенность не называется точностью.
+    </div>
+  </div>
+  <aside class="notes">Если спросят про системные требования — назвать CPU как достаточный. Про тесты: 208, из них браузерные проверяют, что страница не обращается к внешним хостам.</aside>
+</section>
+
+<!-- 17 -->
+<section class="slide">
+  <h2><span class="kicker">Честные границы</span>Что решение не умеет и почему это сказано прямо</h2>
+  <div class="body">
+    <table>
+      <tr><th>Ограничение</th><th>Следствие</th><th>Что планируется</th></tr>
+      <tr>
+        <td>Разметка выведена из оценки исследования</td>
+        <td>поштучной экспертной оценки снимков в наборе нет</td>
+        <td>разметка отдельных снимков специалистом</td>
+      </tr>
+      <tr>
+        <td>Мало данных: 252 снимка, 77 нарушений</td>
+        <td>широкие интервалы, закрытый набор может дать другие цифры</td>
+        <td>500+ исследований</td>
+      </tr>
+      <tr>
+        <td>Эталон — та же экспертная таблица</td>
+        <td>сравнение правил частично благоприятствует таблице</td>
+        <td>независимая экспертная оценка снимков</td>
+      </tr>
+      <tr>
+        <td>Тип нарушения — эвристика, не модель</td>
+        <td>5 снимков имеют только «нарушение без уточнения»</td>
+        <td>мультилейбл-модель по типам</td>
+      </tr>
+      <tr>
+        <td>Область определяется по ширине кадра</td>
+        <td>порог привязан к текущему оборудованию</td>
+        <td>калибровка по метаданным аппарата</td>
+      </tr>
+      <tr>
+        <td>Сторона бедра в 7 исследованиях не проверяема</td>
+        <td>теги латеральности в DICOM пусты</td>
+        <td>запрос тега у источника данных</td>
+      </tr>
+      <tr>
+        <td>Разметки ROI нет в DICOM</td>
+        <td>корректность областей наследуется из таблицы</td>
+        <td>проверка на данных с экспортной разметкой</td>
+      </tr>
+    </table>
+    <div class="callout" style="margin-top:18px">
+      <b>Позиция:</b> сомнительный снимок лучше отправить специалисту, чем пропустить. Поэтому решение проектировалось так, чтобы ошибаться в сторону ручной проверки, а не автоматического одобрения.
+    </div>
+  </div>
+  <aside class="notes">Этот слайд снимает половину неудобных вопросов заранее. Не читать таблицу целиком — назвать два-три ограничения и перейти к позиции.</aside>
+</section>
+
+<!-- 18 -->
+<section class="slide">
+  <h2><span class="kicker">Итог</span>Три тезиса</h2>
+  <div class="body" style="display:flex;flex-direction:column;justify-content:center;gap:22px">
+    <div class="card accent" style="padding:22px 26px">
+      <p class="big" style="margin:0 0 6px">1. Правило разметки выбрано измерением, а не по вкусу</p>
+      <p class="muted" style="margin:0">Одно разбиение, пять seed'ов, один эталон: учёт служебных пометок дал ROC-AUC 0.6199 против 0.6764 у разметки только по экспертной таблице — хуже на всех пяти seed'ах.</p>
+    </div>
+    <div class="card" style="padding:22px 26px">
+      <p class="big" style="margin:0 0 6px">2. Модель проверена на то, что она смотрит на снимок</p>
+      <p class="muted" style="margin:0">Внутри областей 0.85–0.93 против 0.50 у правила «позвоночник значит нарушение». Это исключает подмену распознавания качества определением анатомии.</p>
+    </div>
+    <div class="card" style="padding:22px 26px">
+      <p class="big" style="margin:0 0 6px">3. Сказано и то, чего решение не умеет</p>
+      <p class="muted" style="margin:0">Тип нарушения — эвристика, эталон — та же таблица, данных мало. Ориентир для внедрения — ROC-AUC около 0.68, использование как фильтра для приоритизации ручного просмотра.</p>
+    </div>
+  </div>
+  <div class="foot">Материалы: docs/pitch.html — спич, определения и техническая выкладка; docs/labeling.md — разметка и выбор правила; README.md — сборка и запуск</div>
+  <aside class="notes">Закончить на первом тезисе: работа выиграла от того, что спорное решение проверялось экспериментом, а не от усложнения модели. Дальше — вопросы.</aside>
+</section>
+
+</div></div>
+
+<div id="hud">
+  <span id="counter">1 / 15</span>
+  <div id="progress"><i></i></div>
+  <span id="hint">→ далее · ← назад · N заметки · F полный экран</span>
+</div>
+
+<script>
+(function () {
+  var slides = Array.prototype.slice.call(document.querySelectorAll('.slide'));
+  var stage = document.getElementById('stage');
+  var counter = document.getElementById('counter');
+  var progress = document.querySelector('#progress i');
+  var index = 0;
+
+  function render() {
+    slides.forEach(function (s, i) { s.classList.toggle('active', i === index); });
+    counter.textContent = (index + 1) + ' / ' + slides.length;
+    progress.style.width = ((index + 1) / slides.length * 100) + '%';
+  }
+
+  function go(delta) {
+    var next = Math.min(Math.max(index + delta, 0), slides.length - 1);
+    if (next !== index) { index = next; render(); }
+  }
+
+  // Масштабирование сцены 1280×720 под окно: слайды не переверстываются.
+  function fit() {
+    var pad = 28;
+    var k = Math.min((window.innerWidth - pad) / 1280, (window.innerHeight - pad - 24) / 720);
+    stage.style.transform = 'scale(' + k + ')';
+  }
+
+  window.addEventListener('resize', fit);
+  window.addEventListener('keydown', function (e) {
+    switch (e.key) {
+      case 'ArrowRight': case 'PageDown': case ' ': e.preventDefault(); go(1); break;
+      case 'ArrowLeft': case 'PageUp': e.preventDefault(); go(-1); break;
+      case 'Home': e.preventDefault(); index = 0; render(); break;
+      case 'End': e.preventDefault(); index = slides.length - 1; render(); break;
+      case 'f': case 'F':
+        if (document.fullscreenElement) { document.exitFullscreen(); }
+        else if (document.documentElement.requestFullscreen) { document.documentElement.requestFullscreen(); }
+        break;
+      case 'n': case 'N': document.body.classList.toggle('notes-on'); break;
+    }
+  });
+
+  document.getElementById('viewport').addEventListener('click', function (e) {
+    go(e.clientX < window.innerWidth / 2 ? -1 : 1);
+  });
+  var touchX = null;
+  document.addEventListener('touchstart', function (e) { touchX = e.touches[0].clientX; }, { passive: true });
+  document.addEventListener('touchend', function (e) {
+    if (touchX === null) return;
+    var dx = e.changedTouches[0].clientX - touchX;
+    if (Math.abs(dx) > 40) go(dx < 0 ? 1 : -1);
+    touchX = null;
+  }, { passive: true });
+
+  fit();
+  render();
+})();
+</script>
+</body>
+</html>
diff --git a/requirements.txt b/requirements.txt
index 64f2aa5..39685f1 100644
--- a/requirements.txt
+++ b/requirements.txt
@@ -50,3 +50,8 @@ pytest==8.4.2
 # simpleitk==2.5.6
 # pydicom-seg==0.4.1
 # timm==1.0.29
+
+# --- Сборка презентации (приложению не нужна) ---
+# tools/build_deck.py собирает docs/deck.pptx из шаблона организаторов.
+# В образ инференса эту зависимость ставить не нужно.
+# python-pptx==1.0.2
diff --git a/run.sh b/run.sh
index 1c0f786..9a4e298 100755
--- a/run.sh
+++ b/run.sh
@@ -6,6 +6,10 @@
 #   ./run.sh train [доп. аргументы для src.dxa.train]
 #   ./run.sh infer <вход> <выход.xlsx|.csv> [доп. аргументы]
 #   ./run.sh serve [порт]
+#   ./run.sh label
+#   ./run.sh split
+#   ./run.sh rename [--apply]
+#   ./run.sh compare
 #   ./run.sh test
 #
 # Скрипт намеренно не содержит своей реализации обучения и инференса: вся
@@ -19,6 +23,11 @@ PYTHON=${PYTHON:-python3}
 DATA_ROOT=${DATA_ROOT:-dataset_hack}
 ANNOTATION_PATH=${ANNOTATION_PATH:-"dataset_hack/НД_для_обучения/разметка.xlsx"}
 MODEL_PATH=${MODEL_PATH:-models/dxa_model.pth}
+LABELS_DIR=${LABELS_DIR:-labels}
+LABELS_CSV=${LABELS_CSV:-labels/labels_images.csv}
+LABELS_REFERENCE_CSV=${LABELS_REFERENCE_CSV:-labels/labels_images_expert.csv}
+SPLIT_FILE=${SPLIT_FILE:-labels/split_expert_seed42.json}
+RENAME_MAP=${RENAME_MAP:-labels/rename_map.csv}
 PORT=${PORT:-8000}
 
 command=${1:-help}
@@ -27,9 +36,11 @@ shift || true
 case "$command" in
     train)
         echo -e "${YELLOW}Обучение классификатора качества DXA${NC}"
+        echo "  метки: $LABELS_CSV"
         "$PYTHON" -m src.dxa.train \
             --data-root "$DATA_ROOT" \
             --annotation-path "$ANNOTATION_PATH" \
+            --labels-csv "$LABELS_CSV" \
             --output-dir "$(dirname "$MODEL_PATH")" \
             "$@"
         echo -e "${GREEN}Готово. Чекпоинт: ${MODEL_PATH}${NC}"
@@ -56,6 +67,54 @@ case "$command" in
             "$PYTHON" -m uvicorn src.main:app --host 0.0.0.0 --port "$PORT"
         ;;
 
+    label)
+        echo -e "${YELLOW}Разметка датасета на уровне снимков${NC}"
+        echo "  таблица: $ANNOTATION_PATH"
+        "$PYTHON" -m src.dxa.excel_labels \
+            --data-root "$DATA_ROOT" \
+            --excel "$ANNOTATION_PATH" \
+            --out-dir "$LABELS_DIR" \
+            "$@"
+        ;;
+
+    split)
+        echo -e "${YELLOW}Фиксация разбиения для сравнения правил разметки${NC}"
+        echo "  стратификация по эталону: $LABELS_REFERENCE_CSV"
+        "$PYTHON" -m src.dxa.train \
+            --data-root "$DATA_ROOT" \
+            --annotation-path "$ANNOTATION_PATH" \
+            --labels-csv "$LABELS_REFERENCE_CSV" \
+            --export-split "$SPLIT_FILE" \
+            "$@"
+        ;;
+
+    rename)
+        echo -e "${YELLOW}Приведение имён DICOM к единому виду${NC}"
+        if [ "${1:-}" = "--apply" ]; then
+            echo -e "${RED}Правка имён. Карта отката: $RENAME_MAP${NC}"
+        else
+            echo "  режим плана; для правки добавьте --apply"
+        fi
+        "$PYTHON" -m src.dxa.rename_files \
+            --data-root "$DATA_ROOT" \
+            --mapping "$RENAME_MAP" \
+            "$@"
+        ;;
+
+    compare)
+        echo -e "${YELLOW}Сравнение источников разметки на одном held-out наборе${NC}"
+        echo "  разбиение: $SPLIT_FILE"
+        if [ ! -f "$SPLIT_FILE" ]; then
+            echo -e "${RED}Нет файла разбиения. Сначала: ./run.sh split${NC}" >&2
+            exit 1
+        fi
+        "$PYTHON" -m src.dxa.compare_labels \
+            --data-root "$DATA_ROOT" \
+            --annotation-path "$ANNOTATION_PATH" \
+            --split-file "$SPLIT_FILE" \
+            "$@"
+        ;;
+
     test)
         echo -e "${YELLOW}Запуск тестов${NC}"
         "$PYTHON" -m pytest tests/ -q
@@ -72,19 +131,35 @@ DXA Quality Assessment — управление запуском
                                  Пример: ./run.sh infer "dataset_hack/Для теста" results.xlsx
                                  Дополнительно: --zip-out masks.zip
   serve [порт]                   Запустить HTTP API и веб-интерфейс.
+  label [аргументы]              Разметить датасет на уровне снимков по Excel.
+                                 Результат: labels/labels_images.csv|.xlsx
+  split [аргументы]              Зафиксировать разбиение по исследованиям.
+                                 Результат: labels/split_expert_seed42.json
+  rename [--apply]               Привести имена DICOM к виду область_NN[_метка].
+                                 Без --apply — только план; карта отката пишется
+                                 до правки (labels/rename_map.csv)
+  compare [аргументы]            Сравнить источники разметки на одном held-out
+                                 наборе (нужен сначала `./run.sh split`).
   test                           Запустить тесты.
 
 Переменные окружения:
   DATA_ROOT         Каталог датасета (по умолчанию dataset_hack)
-  ANNOTATION_PATH   Excel с разметкой (только для отчёта о расхождениях)
+  ANNOTATION_PATH   Excel с экспертной разметкой исследований
   MODEL_PATH        Путь к чекпоинту (по умолчанию models/dxa_model.pth)
+  LABELS_DIR        Каталог с результатом разметки (по умолчанию labels)
+  LABELS_CSV        Разметка снимков для обучения (пустая строка — метки из имён файлов)
+  SPLIT_FILE        Файл фиксированного разбиения (labels/split_expert_seed42.json)
+  LABELS_REFERENCE_CSV  Эталон для стратификации разбиения (labels/labels_images_expert.csv)
+  RENAME_MAP        Карта переименований для отката (по умолчанию labels/rename_map.csv)
   PORT              Порт API (по умолчанию 8000)
   PYTHON            Интерпретатор (по умолчанию python3)
 
 Типовой порядок работы:
+  ./run.sh label                       # разметить датасет по Excel
   ./run.sh train                       # обучить модель
   ./run.sh infer dataset_hack results.xlsx
   ./run.sh serve                       # веб-интерфейс на http://localhost:8000
+  ./run.sh split && ./run.sh compare   # сравнить варианты разметки
 USAGE
         ;;
 esac
diff --git a/src/api/static/index.html b/src/api/static/index.html
index 0b96ab5..0a1de90 100644
--- a/src/api/static/index.html
+++ b/src/api/static/index.html
@@ -88,6 +88,10 @@
                     <i class="fas fa-moon dark:hidden"></i>
                     <i class="fas fa-sun hidden dark:inline"></i>
                 </button>
+                <button id="modelInfoToggle" class="flex items-center gap-2 px-4 py-2 bg-gray-100 dark:bg-gray-700 rounded-lg text-gray-700 dark:text-gray-300 hover:bg-gray-200 dark:hover:bg-gray-600 transition">
+                    <i class="fas fa-circle-info"></i>
+                    О модели
+                </button>
                 <a href="/docs" target="_blank" class="flex items-center gap-2 px-4 py-2 bg-gray-100 dark:bg-gray-700 rounded-lg text-gray-700 dark:text-gray-300 hover:bg-gray-200 dark:hover:bg-gray-600 transition">
                     <i class="fas fa-book"></i>
                     API Docs
@@ -181,8 +185,8 @@
                             <i class="fas fa-percentage text-purple-600 dark:text-purple-400"></i>
                         </div>
                         <div>
-                            <p class="text-2xl font-bold text-gray-900 dark:text-white" id="accuracy">-</p>
-                            <p class="text-sm text-gray-500 dark:text-gray-400">Ср. уверенность</p>
+                            <p class="text-2xl font-bold text-gray-900 dark:text-white" id="meanConfidence">-</p>
+                            <p class="text-sm text-gray-500 dark:text-gray-400">Ср. уверенность модели</p>
                         </div>
                     </div>
                 </div>
@@ -200,6 +204,15 @@
                 </button>
             </div>
 
+            <!-- Подсказка: строки кликабельны. Видна, пока есть результаты. -->
+            <div id="tableHint" class="flex items-start gap-3 px-4 py-3 bg-primary-50 dark:bg-primary-900/20 border-b border-primary-100 dark:border-primary-900/40 text-primary-900 dark:text-primary-200 text-sm">
+                <i class="fas fa-hand-pointer mt-1" aria-hidden="true"></i>
+                <span>
+                    <b>Нажмите на любую строку</b> — ниже откроется панель деталей: измерения снимка, тип нарушения и визуализация.
+                    <span class="block mt-1 opacity-80">Заголовки столбцов сортируют таблицу, а кнопка «Открыть» в конце строки делает то же самое, что и клик по ней.</span>
+                </span>
+            </div>
+
             <!-- Table -->
             <div class="bg-white dark:bg-gray-800 rounded-xl shadow-sm overflow-hidden">
                 <div class="p-4 border-b border-gray-200 dark:border-gray-700">
@@ -235,6 +248,7 @@
                                 <th class="px-4 py-3 text-left text-xs font-medium text-gray-500 dark:text-gray-400 uppercase tracking-wider cursor-pointer hover:bg-gray-100 dark:hover:bg-gray-600" data-sort="confidence">
                                     Уверенность <i class="fas fa-sort ml-1"></i>
                                 </th>
+                                <th class="px-2 py-3 w-8"><span class="sr-only">Открыть детали</span></th>
                             </tr>
                         </thead>
                         <tbody id="resultsTable" class="divide-y divide-gray-200 dark:divide-gray-700">
@@ -378,6 +392,56 @@
             </div>
         </section>
 
+        <!-- Model info panel -->
+        <section id="modelSection" class="hidden mt-6">
+            <div class="bg-white dark:bg-gray-800 rounded-xl shadow-sm overflow-hidden">
+                <div class="p-4 border-b border-gray-200 dark:border-gray-700 flex items-center justify-between">
+                    <h3 class="text-lg font-semibold text-gray-900 dark:text-white">
+                        <i class="fas fa-circle-info mr-2 text-primary-600"></i>
+                        О модели и разметке
+                    </h3>
+                    <button id="closeModelInfo" class="text-gray-500 hover:text-gray-700 dark:text-gray-400 dark:hover:text-gray-200">
+                        <i class="fas fa-times"></i>
+                    </button>
+                </div>
+                <div class="p-4 max-h-[80vh] overflow-y-auto space-y-6">
+                    <div id="modelSummary" class="text-sm space-y-2">
+                        <!-- Populated by JS -->
+                    </div>
+                    <div>
+                        <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
+                            <i class="fas fa-chart-line mr-1"></i> Качество: выбор правила разметки
+                        </h4>
+                        <div id="modelMetrics" class="overflow-x-auto"></div>
+                    </div>
+                    <div>
+                        <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
+                            <i class="fas fa-database mr-1"></i> Данные
+                        </h4>
+                        <div id="modelDataset" class="grid grid-cols-2 md:grid-cols-4 gap-3"></div>
+                    </div>
+                    <div>
+                        <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
+                            <i class="fas fa-list-check mr-1"></i> Словарь типов нарушений
+                        </h4>
+                        <div id="modelViolations" class="overflow-x-auto"></div>
+                    </div>
+                    <div>
+                        <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
+                            <i class="fas fa-triangle-exclamation mr-1"></i> Ограничения
+                        </h4>
+                        <ul id="modelLimitations" class="list-disc list-inside space-y-1 text-sm text-gray-700 dark:text-gray-300"></ul>
+                    </div>
+                    <div>
+                        <h4 class="text-sm font-medium text-gray-500 dark:text-gray-400 mb-2">
+                            <i class="fas fa-file-lines mr-1"></i> Источники
+                        </h4>
+                        <ul id="modelSources" class="list-disc list-inside space-y-1 text-xs text-gray-500 dark:text-gray-400"></ul>
+                    </div>
+                </div>
+            </div>
+        </section>
+
         <!-- Error Section -->
         <section id="errorSection" class="hidden">
             <div class="bg-red-50 dark:bg-red-900/20 border border-red-200 dark:border-red-800 rounded-xl p-6">
diff --git a/src/api/static/js/dxa-app.js b/src/api/static/js/dxa-app.js
index d367d2a..b928324 100644
--- a/src/api/static/js/dxa-app.js
+++ b/src/api/static/js/dxa-app.js
@@ -4,6 +4,11 @@ const API_BASE = '';
 let results = [];
 let sortColumn = null;
 let sortDirection = 'asc';
+// Сведения о решении, полученные с /api/v1/model: карточка модели и единый
+// словарь типов нарушений. Интерфейс не держит своей копии словаря, иначе она
+// расходится с серверной — так и было раньше.
+let modelCard = null;
+let violationDictionary = {};
 
 // DOM Elements
 const dropZone = document.getElementById('dropZone');
@@ -21,6 +26,8 @@ const statusBanner = document.getElementById('statusBanner');
 const statusIcon = document.getElementById('statusIcon');
 const statusText = document.getElementById('statusText');
 const detailSection = document.getElementById('detailSection');
+const modelSection = document.getElementById('modelSection');
+const tableHint = document.getElementById('tableHint');
 
 // Theme toggle
 const themeToggle = document.getElementById('themeToggle');
@@ -41,10 +48,26 @@ async function checkHealth() {
     try {
         const response = await fetch(`${API_BASE}/api/v1/health`);
         const data = await response.json();
-        
-        if (data.status === 'ok') {
+
+        if (data.status === 'ok' && data.model_loaded) {
             statusIcon.className = 'w-3 h-3 rounded-full bg-green-500';
-            statusText.textContent = `Сервис готов • Модель: ${data.model_loaded ? 'загружена' : 'не загружена'} • Устройство: ${data.device}`;
+            const model = data.model || {};
+            // Показываем происхождение модели: на какой разметке обучена и с
+            // каким порогом решает. Без этого по интерфейсу нельзя понять,
+            // какая версия модели сейчас работает.
+            const labelsName = model.labels_csv ? 'экспертная таблица' : 'имена файлов';
+            const quality = model.val_metrics?.roc_auc;
+            statusText.innerHTML =
+                `Модель загружена • устройство: <span class="font-mono">${data.device}</span>` +
+                ` • разметка: ${labelsName}` +
+                (model.epoch != null ? ` • эпоха ${model.epoch}` : '') +
+                (model.threshold_probability != null ? ` • порог ${(model.threshold_probability * 100).toFixed(1)}%` : '') +
+                (quality != null
+                    ? ` • ROC-AUC на своей валидации ${quality.toFixed(3)} <span class="text-amber-700 dark:text-amber-400">(честная оценка — в «О модели»)</span>`
+                    : '');
+        } else if (data.status === 'ok') {
+            statusIcon.className = 'w-3 h-3 rounded-full bg-yellow-500';
+            statusText.textContent = 'Сервис доступен, но модель не загружена — анализ вернёт ошибку';
         } else {
             statusIcon.className = 'w-3 h-3 rounded-full bg-yellow-500';
             statusText.textContent = 'Проблемы с сервисом';
@@ -55,6 +78,138 @@ async function checkHealth() {
     }
 }
 
+// Load model card: provenance, honest metrics, violation dictionary, limits.
+async function loadModelCard() {
+    try {
+        const response = await fetch(`${API_BASE}/api/v1/model`);
+        if (!response.ok) return;
+        modelCard = await response.json();
+        violationDictionary = {};
+        (modelCard.violations || []).forEach(v => { violationDictionary[v.code] = v; });
+        renderModelCard();
+    } catch (e) {
+        // Панель необязательна: без неё интерфейс продолжает работать.
+    }
+}
+
+const SCORE_SOURCE_LABELS = {
+    expert_table: 'экспертная таблица',
+    condition_doctor: 'критерии пригодности',
+    system: 'служебный код',
+};
+
+function renderModelCard() {
+    if (!modelCard || !modelSection) return;
+    const info = modelCard;
+    const deployed = info.model || {};
+    const loaded = info.loaded || {};
+
+    // Сводка: что за модель работает и на чём обучена.
+    const summary = [];
+    summary.push(`<div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Рабочий чекпоинт:</span><span class="font-mono text-xs break-all text-right">${loaded.path || deployed.checkpoint || '—'}</span></div>`);
+    summary.push(`<div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Архитектура:</span><span class="text-right">${loaded.backbone || deployed.backbone || '—'} + ${loaded.head || deployed.head || '—'} (линейный зонд, backbone заморожен)</span></div>`);
+    summary.push(`<div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Разметка:</span><span class="text-right font-mono text-xs">${loaded.labels_csv ?? deployed.labels_csv ?? '—'}</span></div>`);
+    summary.push(`<div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Разбиение:</span><span class="text-right font-mono text-xs">${loaded.split_file ?? deployed.split_file ?? 'по умолчанию, стратифицированное по исследованиям'}</span></div>`);
+    if (loaded.checkpoint_mtime) {
+        summary.push(`<div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Файл чекпоинта изменён:</span><span class="text-right">${loaded.checkpoint_mtime}</span></div>`);
+    }
+    summary.push(`<div class="flex justify-between gap-4"><span class="text-gray-500 shrink-0">Порог решения:</span><span class="text-right">логит ${loaded.threshold_logit ?? deployed.threshold_logit} → вероятность ${((loaded.threshold_probability ?? deployed.threshold_probability) * 100).toFixed(1)}%</span></div>`);
+    if (deployed.caveat) {
+        summary.push(`<div class="mt-2 px-3 py-2 rounded-lg bg-amber-50 dark:bg-amber-900/20 border border-amber-200 dark:border-amber-800 text-amber-800 dark:text-amber-300 text-xs"><i class="fas fa-triangle-exclamation mr-1"></i>${deployed.caveat}</div>`);
+    }
+    if (info.snapshot_date) {
+        summary.push(`<div class="text-xs text-gray-500 dark:text-gray-400">Снимок сведений: ${info.snapshot_date}</div>`);
+    }
+    document.getElementById('modelSummary').innerHTML = summary.join('');
+
+    // Метрики сравнения правил разметки: среднее по seed'ам с 95 % ДИ.
+    const cmp = info.comparison || {};
+    const metrics = cmp.metrics || {};
+    const variantNames = Object.keys(cmp.variants || metrics.roc_auc || {});
+    const METRIC_NAMES = { roc_auc: 'ROC-AUC', pr_auc: 'PR-AUC', f1: 'F1' };
+    const formatCI = (triple) => {
+        if (!triple) return '—';
+        const [value, lo, hi] = triple;
+        return `${value.toFixed(4)} <span class="text-gray-500">[${lo.toFixed(4)}, ${hi.toFixed(4)}]</span>`;
+    };
+    let metricsHtml = `<table class="w-full text-sm">
+        <thead class="bg-gray-50 dark:bg-gray-700/50 text-xs text-gray-500 dark:text-gray-400 uppercase">
+            <tr>
+                <th class="px-3 py-2 text-left">Метрика</th>
+                ${variantNames.map(v => `<th class="px-3 py-2 text-left">${(cmp.variants || {})[v] || v}</th>`).join('')}
+            </tr>
+        </thead><tbody class="divide-y divide-gray-200 dark:divide-gray-700">`;
+    Object.keys(METRIC_NAMES).forEach(key => {
+        const row = metrics[key] || {};
+        metricsHtml += `<tr>
+            <td class="px-3 py-2 font-medium">${METRIC_NAMES[key]}</td>
+            ${variantNames.map(v => `<td class="px-3 py-2">${formatCI(row[v])}</td>`).join('')}
+        </tr>`;
+    });
+    const deltas = cmp.paired_delta_table_minus_union || {};
+    Object.keys(METRIC_NAMES).forEach(key => {
+        const triple = deltas[key];
+        if (!triple) return;
+        const [value, lo, hi] = triple;
+        const sign = value > 0 ? '+' : '';
+        metricsHtml += `<tr class="text-xs">
+            <td class="px-3 py-2 text-gray-500">Δ ${METRIC_NAMES[key]}</td>
+            <td class="px-3 py-2" colspan="${Math.max(variantNames.length, 1)}">${sign}${value.toFixed(4)} <span class="text-gray-500">[${lo.toFixed(4)}, ${hi.toFixed(4)}]</span></td>
+        </tr>`;
+    });
+    metricsHtml += '</tbody></table>';
+    metricsHtml += `<p class="mt-2 text-xs text-gray-500 dark:text-gray-400">
+        ${cmp.question || ''} Валидация: ${cmp.val_images ?? '—'} снимков,
+        ${cmp.val_violations ?? '—'} нарушений по эталону; seed'ы: ${(cmp.seeds || []).join(', ')}.
+        ${cmp.paired_wins || ''} ${cmp.decision || ''}
+        Эталон — ${cmp.reference || '—'}.
+    </p>`;
+    document.getElementById('modelMetrics').innerHTML = metricsHtml;
+
+    // Данные
+    const ds = info.dataset || {};
+    const perRegion = ds.per_region || {};
+    document.getElementById('modelDataset').innerHTML = [
+        card('Уникальных снимков', ds.unique_images ?? '—'),
+        card('Исследований', ds.studies ?? '—'),
+        card('Нарушений по экспертной таблице', ds.violations_expert ?? '—'),
+        card('Нарушений в обучающей разметке', ds.violations_labeled ?? '—'),
+        card('Снимков без экспертной оценки', ds.images_without_expert_verdict ?? '—'),
+        card('Позвоночник / бедро R / бедро L', `${perRegion.spine ?? '—'} / ${perRegion.hip_right ?? '—'} / ${perRegion.hip_left ?? '—'}`),
+        card('Файлов на диске', ds.files_on_disk ?? '—'),
+        card('Доля нарушений', ds.violation_share != null ? (ds.violation_share * 100).toFixed(1) + '%' : '—'),
+    ].join('');
+
+    // Словарь типов нарушений
+    let dictHtml = `<table class="w-full text-sm">
+        <thead class="bg-gray-50 dark:bg-gray-700/50 text-xs text-gray-500 dark:text-gray-400 uppercase">
+            <tr>
+                <th class="px-3 py-2 text-left">Подпись</th>
+                <th class="px-3 py-2 text-left">Код</th>
+                <th class="px-3 py-2 text-left">Область</th>
+                <th class="px-3 py-2 text-left">Источник</th>
+            </tr>
+        </thead><tbody class="divide-y divide-gray-200 dark:divide-gray-700">`;
+    (info.violations || []).forEach(v => {
+        dictHtml += `<tr>
+            <td class="px-3 py-2">
+                <div class="font-medium">${v.label}</div>
+                <div class="text-xs text-gray-500 dark:text-gray-400">${v.note || ''}</div>
+            </td>
+            <td class="px-3 py-2 font-mono text-xs">${v.code}</td>
+            <td class="px-3 py-2 text-xs">${getRegionLabel(v.scope)}</td>
+            <td class="px-3 py-2 text-xs">${SCORE_SOURCE_LABELS[v.source] || v.source}</td>
+        </tr>`;
+    });
+    dictHtml += '</tbody></table>';
+    document.getElementById('modelViolations').innerHTML = dictHtml;
+
+    document.getElementById('modelLimitations').innerHTML =
+        (info.limitations || []).map(text => `<li>${text}</li>`).join('');
+    document.getElementById('modelSources').innerHTML =
+        (info.sources || []).map(text => `<li>${text}</li>`).join('');
+}
+
 // Drag and drop
 dropZone.addEventListener('click', () => fileInput.click());
 
@@ -196,7 +351,9 @@ function updateStats() {
     document.getElementById('totalCount').textContent = total;
     document.getElementById('okCount').textContent = ok;
     document.getElementById('violationCount').textContent = violation;
-    document.getElementById('accuracy').textContent = `${avgConfidence}%`;
+    // Это средняя уверенность модели, а не точность: точность требует
+    // эталонных меток, которых для произвольного загруженного файла нет.
+    document.getElementById('meanConfidence').textContent = `${avgConfidence}%`;
 }
 
 // Filter and sort results
@@ -251,7 +408,9 @@ function getFilteredResults() {
 // Render table
 function renderTable() {
     const filtered = getFilteredResults();
-    
+    // Подсказка «нажмите на строку» бессмысленна, когда строк нет.
+    if (tableHint) tableHint.classList.toggle('hidden', filtered.length === 0);
+
     if (filtered.length === 0) {
         resultsTable.innerHTML = '';
         emptyResults.classList.remove('hidden');
@@ -304,6 +463,13 @@ function renderTable() {
                         <span class="text-xs">${confidence}</span>
                     </div>
                 </td>
+                <td class="px-4 py-3 text-right whitespace-nowrap">
+                    <button type="button"
+                            class="inline-flex items-center gap-1 text-primary-600 dark:text-primary-400 text-xs font-medium hover:underline focus:outline-none focus:ring-2 focus:ring-primary-500 rounded"
+                            onclick="event.stopPropagation(); viewDetailByIndex(this.closest('tr'))">
+                        Открыть <i class="fas fa-chevron-right" aria-hidden="true"></i>
+                    </button>
+                </td>
             </tr>
         `;
     }).join('');
@@ -375,6 +541,22 @@ document.getElementById('closeDetail')?.addEventListener('click', () => {
     detailSection.classList.add('hidden');
 });
 
+// Model info panel: открывается по кнопке в шапке; если карточка не
+// загрузилась при старте (например, сервис только поднялся), повторяем запрос.
+document.getElementById('modelInfoToggle')?.addEventListener('click', async () => {
+    if (modelSection.classList.contains('hidden')) {
+        if (!modelCard) await loadModelCard();
+        modelSection.classList.remove('hidden');
+        modelSection.scrollIntoView({ behavior: 'smooth' });
+    } else {
+        modelSection.classList.add('hidden');
+    }
+});
+
+document.getElementById('closeModelInfo')?.addEventListener('click', () => {
+    modelSection.classList.add('hidden');
+});
+
 // Region label helper
 function getRegionLabel(region) {
     const labels = {
@@ -387,21 +569,17 @@ function getRegionLabel(region) {
     return labels[region] || region || '—';
 }
 
-// Violation type label
-function getViolationLabel(type) {
-    const labels = {
-        '': 'Корректно',
-        'correct': 'Корректно',
-        'position_error': 'Ошибка позиционирования',
-        'artifact_motion': 'Артефакт движения',
-        'artifact_other': 'Другие артефакты',
-        'labeling_error': 'Ошибка маркировки',
-        'incomplete_view': 'Неполный вид',
-        'roi_error': 'Ошибка ROI',
-        'rotation': 'Неправильный поворот',
-        'quality_violation_detected': 'Нарушение качества'
-    };
-    return labels[type] || type || '—';
+// Violation type label.
+// Подпись приходит с сервера (`violation_type_label`) из единого словаря
+// `src/dxa/violations.py`; своей копии словаря интерфейс не держит. Раньше она
+// здесь была и разошлась с серверной: коды экспертной таблицы (`artifact`,
+// `roi_incorrect`, `positioning`) в интерфейсе показывались как есть.
+function getViolationLabel(result) {
+    if (!result) return '—';
+    if (result.violation_type_label) return result.violation_type_label;
+    const entry = violationDictionary[result.violation_type];
+    if (entry) return entry.label;
+    return result.violation_type || 'Корректно';
 }
 
 // Small helpers used by the detail panel
@@ -448,11 +626,20 @@ async function viewDetail(result) {
         <div class="flex justify-between"><span class="text-gray-500">Полнота (справ.) :</span><span class="font-medium">${viewLabels[result.view_quality] || result.view_quality || '—'}</span></div>
     `;
 
-    // Quality details
+    // Quality details.
+    // Тип нарушения подписан как эвристика: модель бинарная и тип не
+    // предсказывает, поэтому показывать его как заключение нельзя.
+    const heuristicBadge = result.violation_type_is_heuristic
+        ? '<span class="ml-2 px-1.5 py-0.5 rounded bg-amber-100 dark:bg-amber-900/30 text-amber-800 dark:text-amber-300 text-xs" title="Определено эвристикой по метрикам снимка, а не моделью">эвристика</span>'
+        : '';
+    const heuristicNote = result.violation_type_note
+        ? `<div class="mt-2 text-xs text-gray-500 dark:text-gray-400">${result.violation_type_note}</div>`
+        : '';
     document.getElementById('detailQuality').innerHTML = `
-        <div class="flex justify-between"><span class="text-gray-500">Тип нарушения:</span><span class="font-medium">${getViolationLabel(result.violation_type)}</span></div>
+        <div class="flex justify-between items-center gap-2"><span class="text-gray-500 shrink-0">Тип нарушения:</span><span class="font-medium text-right">${getViolationLabel(result)}${heuristicBadge}</span></div>
         <div class="flex justify-between"><span class="text-gray-500">Класс:</span><span class="font-medium">${result.quality_class}</span></div>
         <div class="flex justify-between"><span class="text-gray-500">Порог решения:</span><span class="font-medium">${pct(result.threshold_probability)}</span></div>
+        ${heuristicNote}
     `;
 
     // Confidence per class (computed on the server)
@@ -653,3 +840,4 @@ function showError(message) {
 
 // Initialize
 checkHealth();
+loadModelCard();
diff --git a/src/dxa/compare_labels.py b/src/dxa/compare_labels.py
new file mode 100644
index 0000000..f21a7ed
--- /dev/null
+++ b/src/dxa/compare_labels.py
@@ -0,0 +1,383 @@
+#!/usr/bin/env python3
+"""
+Сравнение правил разметки на одном held-out наборе.
+
+Вопрос: какое правило построения метки даёт модель, которая лучше предсказывает
+вердикт эксперта — только экспертная таблица (`labels/labels_images_table.csv`)
+или таблица вместе с пометками, которые вручную проставлялись в именах файлов
+(`labels/labels_images_union.csv`, суффикс `_bad`)?
+
+Постановка эксперимента. Оба варианта обучаются на **одном и том же** разбиении
+по исследованиям (`--split-file`), отличаются только метки класса. Оцениваются
+они тоже одинаково — по **одному эталону**: вердикту эксперта, взятому на
+снимках валидации (`labels/labels_images_expert.csv`). Иначе сравнение было бы
+круговым («насколько хорошо модель, обученная на метках X, предсказывает метки
+X»), и выигрывал бы вариант, который проще запомнить.
+
+Почему разбиение нужно фиксировать: `stratified_group_split` стратифицирует по
+наличию нарушений, а оно зависит от меток. Пересчёт разбиения для каждого
+варианта дал бы разные валидационные наборы и несравнимые метрики.
+
+Снимки валидации не участвуют в обучении ни в одном из вариантов, поэтому
+эталонная оценка на них не утечка. Порог для F1 подбирается на эталоне отдельно
+для каждой модели; ROC-AUC и PR-AUC порога не требуют и являются основными
+метриками сравнения.
+
+Запуск:
+    ./run.sh split      # зафиксировать разбиение (стратификация по эталону)
+    ./run.sh compare    # 5 seed'ов × 2 варианта
+    ./run.sh compare --skip-training   # пересобрать отчёт по готовым чекпоинтам
+"""
+from __future__ import annotations
+
+import argparse
+import json
+import logging
+import statistics
+import sys
+from pathlib import Path
+from typing import Dict, List, Optional, Sequence, Tuple
+
+from torch.utils.data import DataLoader
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
+
+from src.dxa.dataset import DXADataset, build_records
+from src.dxa.labels import ImageRecord, load_split, split_by_studies
+from src.dxa.model import create_model, per_region_metrics, select_threshold
+from src.dxa.preprocess import PreprocessConfig
+from src.dxa.train import build_parser, get_device, train
+
+logger = logging.getLogger("dxa.compare_labels")
+
+#: Варианты разметки по умолчанию: имя -> значение для `--labels-csv`.
+#: `table` — метка только из экспертной таблицы (принято по результату сравнения),
+#: `union` — таблица или суффикс `_bad` в имени файла (прежнее поведение).
+DEFAULT_VARIANTS: Dict[str, str] = {
+    "table": "labels/labels_images_table.csv",
+    "union": "labels/labels_images_union.csv",
+}
+
+#: Эталон для оценки — чистый вердикт эксперта, без меток из имён файлов.
+DEFAULT_REFERENCE = "labels/labels_images_expert.csv"
+
+_METRICS = ("roc_auc", "pr_auc", "f1", "recall", "precision")
+
+# Критическое значение t для 95 % доверительного интервала (двусторонний).
+_T95 = {1: 12.706, 2: 4.303, 3: 3.182, 4: 2.776, 5: 2.571, 6: 2.447,
+        7: 2.365, 8: 2.306, 9: 2.262, 10: 2.228}
+
+
+def _t_critical(n: int) -> float:
+    if n <= 1:
+        return float("nan")
+    if n in _T95:
+        return _T95[n]
+    try:
+        from scipy.stats import t as student_t
+
+        return float(student_t.ppf(0.975, n - 1))
+    except Exception:
+        return 1.96
+
+
+def mean_ci(values: Sequence[Optional[float]]) -> Dict[str, float]:
+    """Среднее и 95 % доверительный интервал для малой выборки."""
+    clean = [float(v) for v in values if v is not None]
+    n = len(clean)
+    if n == 0:
+        return {"n": 0, "mean": float("nan"), "lo": float("nan"), "hi": float("nan")}
+    mean = statistics.fmean(clean)
+    if n == 1:
+        return {"n": 1, "mean": mean, "lo": mean, "hi": mean}
+    half = _t_critical(n) * statistics.stdev(clean) / (n ** 0.5)
+    return {"n": n, "mean": mean, "lo": mean - half, "hi": mean + half}
+
+
+def parse_variants(spec: Optional[str]) -> Dict[str, str]:
+    """
+    Разобрать описание вариантов: `имя=путь` через запятую.
+
+    Пустой путь означает метки из имён файлов (режим совместимости).
+    """
+    if not spec:
+        return dict(DEFAULT_VARIANTS)
+    variants: Dict[str, str] = {}
+    for chunk in spec.split(","):
+        chunk = chunk.strip()
+        if not chunk:
+            continue
+        name, _, path = chunk.partition("=")
+        name = name.strip()
+        if not name:
+            raise ValueError(f"Некорректный вариант: {chunk!r}")
+        variants[name] = path.strip()
+    if len(variants) < 2:
+        raise ValueError("Для сравнения нужно минимум два варианта")
+    return variants
+
+
+def reference_val_records(
+    data_root: str,
+    annotation_path: str,
+    split_file: str,
+    reference_csv: str = DEFAULT_REFERENCE,
+) -> List[ImageRecord]:
+    """
+    Снимки валидации с эталонными метками.
+
+    Снимки, которых нет в эталонном CSV (эксперт не давал оценки), из эталона
+    исключаются: `apply_excel_labels` для них подставил бы метку из имени файла,
+    и эталон перестал бы быть чисто экспертным.
+    """
+    import csv as _csv
+
+    with Path(reference_csv).open(newline="", encoding="utf-8") as fh:
+        scored = {row["path_to_image"] for row in _csv.DictReader(fh)}
+
+    records = [r for r in build_records(data_root, annotation_path, labels_csv=reference_csv)
+               if str(r.path) in scored]
+    _, val_records = split_by_studies(records, load_split(split_file))
+    return val_records
+
+
+def evaluate_on_reference(
+    checkpoint: str | Path,
+    reference: Sequence[ImageRecord],
+    backbone: str = "resnet18",
+    head: str = "linear",
+    device: Optional[str] = None,
+    batch_size: int = 16,
+) -> Tuple[Dict, Dict]:
+    """
+    Метрики чекпоинта на эталонной разметке (только валидационные снимки).
+
+    Порог подбирается по F1 на эталоне, поэтому метрики одинаково смещены вверх
+    у всех вариантов и сравнимы между собой. ROC-AUC и PR-AUC от порога не
+    зависят.
+    """
+    device = device or get_device()
+    model = create_model(backbone=backbone, pretrained=False, device=device, head=head)
+    metadata = model.load(checkpoint)
+    cfg = PreprocessConfig.from_dict(metadata.get("preprocess", {}))
+
+    dataset = DXADataset(reference, preprocess=cfg, train=False)
+    loader = DataLoader(dataset, batch_size=batch_size, shuffle=False)
+    logits, labels, regions = model.predict_logits_with_regions(loader)
+
+    threshold, metrics = select_threshold(logits, labels)
+    region_metrics = per_region_metrics(logits, labels, regions, threshold)
+    return metrics, region_metrics
+
+
+def summarize(rows: Sequence[Dict], variants: Sequence[str]) -> Dict:
+    """Сводка: средние с 95 % ДИ по seed'ам и парная разница первого варианта со вторым."""
+    by_variant = {v: [r for r in rows if r["variant"] == v] for v in variants}
+    summary: Dict = {"variants": {}, "paired": {}}
+    for variant, items in by_variant.items():
+        summary["variants"][variant] = {
+            "runs": len(items),
+            "val_size": items[0]["val_size"] if items else None,
+            "reference_positive": items[0]["reference_positive"] if items else None,
+            "own_label_positive": items[0]["own_label_positive"] if items else None,
+            "metrics": {name: mean_ci([r.get(name) for r in items]) for name in _METRICS},
+        }
+
+    seeds = sorted({r["seed"] for r in rows})
+    for metric in _METRICS:
+        deltas = []
+        for seed in seeds:
+            a = next((r.get(metric) for r in by_variant[variants[0]] if r["seed"] == seed), None)
+            b = next((r.get(metric) for r in by_variant[variants[1]] if r["seed"] == seed), None)
+            if a is not None and b is not None:
+                deltas.append(a - b)
+        summary["paired"][metric] = {
+            "direction": f"{variants[0]} - {variants[1]}",
+            "deltas": deltas,
+            **mean_ci(deltas),
+        }
+    summary["seeds"] = seeds
+    return summary
+
+
+def _fmt(ci: Dict[str, float]) -> str:
+    if ci["n"] == 0:
+        return "n/a"
+    return f"{ci['mean']:.4f} [{ci['lo']:.4f}, {ci['hi']:.4f}]"
+
+
+def format_report(summary: Dict, variants: Sequence[str]) -> str:
+    """Markdown-отчёт сравнения."""
+    info = summary["variants"]
+    reference_positive = next((v["reference_positive"] for v in info.values() if v["runs"]), None)
+    val_size = next((v["val_size"] for v in info.values() if v["runs"]), None)
+
+    lines = [
+        "# Сравнение правил разметки на одном held-out наборе",
+        "",
+        f"Файл разбиения: `{summary.get('split_file')}`. Seed'ы: {summary['seeds']}. "
+        f"Валидация: {val_size} снимков, {reference_positive} нарушений по эталону.",
+        f"Эталон: `{summary.get('reference_csv')}` — вердикт эксперта, снимки без экспертной "
+        "оценки в эталон не входят.",
+        "",
+        "Оба варианта обучены на одном разбиении и оценены по одному и тому же эталону. "
+        "Снимки валидации не участвуют в обучении ни в одном варианте.",
+        "",
+        "| Метрика (эталон) | " + " | ".join(variants) + " |",
+        "|---" * (len(variants) + 1) + "|",
+    ]
+    for metric in _METRICS:
+        cells = [_fmt(info[v]["metrics"][metric]) for v in variants]
+        lines.append(f"| {metric} | " + " | ".join(cells) + " |")
+    lines.append(
+        "| нарушений в своих метках | "
+        + " | ".join(str(info[v]["own_label_positive"]) for v in variants)
+        + " |"
+    )
+
+    lines += [
+        "",
+        "## Парная разница по seed'ам",
+        "",
+        "| Метрика | Δ (среднее [95 % ДИ]) | Знаки по seed'ам |",
+        "|---|---|---|",
+    ]
+    for metric, data in summary["paired"].items():
+        signs = "".join("+" if d > 0 else ("-" if d < 0 else "0") for d in data["deltas"])
+        lines.append(f"| {metric} | {_fmt(data)} | {signs} |")
+
+    lines += [
+        "",
+        f"> Δ считается как «{variants[0]} − {variants[1]}»: положительное значение "
+        f"означает преимущество варианта `{variants[0]}`.",
+        "> Интервал ДИ по 5 seed'ам показывает разброс обучения, но не заменяет "
+        "независимый тест на закрытом наборе: он не учитывает неопределённость "
+        "самой эталонной разметки.",
+        "",
+    ]
+    return "\n".join(lines)
+
+
+def main(argv: Optional[List[str]] = None) -> int:
+    logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s")
+    parser = argparse.ArgumentParser(description="Сравнение правил разметки DXA")
+    parser.add_argument("--data-root", default="dataset_hack")
+    parser.add_argument("--annotation-path", default="dataset_hack/НД_для_обучения/разметка.xlsx")
+    parser.add_argument("--split-file", default="labels/split_expert_seed42.json",
+                        help="Зафиксированное разбиение из `./run.sh split`")
+    parser.add_argument("--seeds", default="0,1,2,3,4", help="Seed'ы через запятую")
+    parser.add_argument("--variants", default=None,
+                        help="Варианты в виде имя=путь_к_csv через запятую. По умолчанию: "
+                             + ", ".join(f"{k}={v}" for k, v in DEFAULT_VARIANTS.items())
+                             + ". Пустое значение пути — метки из имён файлов")
+    parser.add_argument("--reference", default=DEFAULT_REFERENCE,
+                        help="CSV эталона для оценки (вердикт эксперта без имён файлов)")
+    parser.add_argument("--epochs", type=int, default=100)
+    parser.add_argument("--backbone", default="resnet18")
+    parser.add_argument("--head", default="linear")
+    parser.add_argument("--output-root", default="models/compare_labels")
+    parser.add_argument("--report", default=None, help="Куда записать markdown-отчёт")
+    parser.add_argument("--skip-training", action="store_true",
+                        help="Не обучать заново, а взять готовые чекпоинты из output-root "
+                             "(возобновление после прерывания)")
+    args = parser.parse_args(argv)
+
+    if not Path(args.split_file).is_file():
+        logger.error(
+            "Split file %s not found. Create it once with: "
+            "python -m src.dxa.train --export-split %s",
+            args.split_file, args.split_file,
+        )
+        return 1
+
+    seeds = [int(s) for s in args.seeds.split(",") if s.strip()]
+    variants = parse_variants(args.variants)
+    output_root = Path(args.output_root)
+    device = get_device()
+
+    reference = reference_val_records(
+        args.data_root, args.annotation_path, args.split_file, args.reference
+    )
+    reference_positive = sum(1 for r in reference if r.label == 1)
+    logger.info(
+        "Reference validation set: %d images, %d violations", len(reference), reference_positive
+    )
+    logger.info("Variants: %s", ", ".join(f"{k}={v or 'filename markers'}" for k, v in variants.items()))
+
+    rows: List[Dict] = []
+    for variant in variants:
+        for seed in seeds:
+            out_dir = output_root / variant / f"seed_{seed}"
+            logger.info("=== %s, seed %d ===", variant, seed)
+            checkpoint = out_dir / "dxa_model.pth"
+            if args.skip_training:
+                if not checkpoint.is_file():
+                    logger.error("Нет чекпоинта %s для возобновления", checkpoint)
+                    return 1
+                report = json.loads((out_dir / "train_report.json").read_text())
+                logger.info("Пропускаю обучение, беру готовый чекпоинт")
+            else:
+                train_args = build_parser().parse_args([
+                    "--data-root", args.data_root,
+                    "--annotation-path", args.annotation_path,
+                    "--labels-csv", variants[variant],
+                    "--output-dir", str(out_dir),
+                    "--split-file", args.split_file,
+                    "--seed", str(seed),
+                    "--epochs", str(args.epochs),
+                    "--backbone", args.backbone,
+                    "--head", args.head,
+                ])
+                report = train(train_args)
+
+            metrics, region_metrics = evaluate_on_reference(
+                checkpoint,
+                reference,
+                backbone=args.backbone,
+                head=args.head,
+                device=device,
+            )
+            rows.append({
+                "variant": variant,
+                "seed": seed,
+                "best_epoch": report["best_epoch"],
+                "epochs_run": report["epochs_run"],
+                "val_size": report["val_size"],
+                "own_label_positive": int(
+                    report["best_val_metrics"]["tp"] + report["best_val_metrics"]["fn"]
+                ),
+                "reference_positive": reference_positive,
+                "own_val_metrics": {k: report["best_val_metrics"].get(k) for k in _METRICS},
+                "reference_val_metrics": {k: metrics.get(k) for k in _METRICS},
+                "reference_threshold": metrics.get("threshold_logit"),
+                "reference_per_region": region_metrics,
+                **{k: metrics.get(k) for k in _METRICS},
+            })
+            logger.info(
+                "%s seed %d: эталон roc_auc %s, pr_auc %s, f1 %.4f",
+                variant, seed,
+                f"{metrics['roc_auc']:.4f}" if metrics.get("roc_auc") is not None else "n/a",
+                f"{metrics['pr_auc']:.4f}" if metrics.get("pr_auc") is not None else "n/a",
+                metrics["f1"],
+            )
+
+    summary = summarize(rows, list(variants))
+    summary["split_file"] = args.split_file
+    summary["reference_csv"] = args.reference
+    summary["rows"] = rows
+    report_text = format_report(summary, list(variants))
+    print("\n" + report_text)
+
+    output_root.mkdir(parents=True, exist_ok=True)
+    (output_root / "comparison.json").write_text(
+        json.dumps(summary, ensure_ascii=False, indent=2, default=str)
+    )
+    report_path = Path(args.report) if args.report else output_root / "comparison.md"
+    report_path.parent.mkdir(parents=True, exist_ok=True)
+    report_path.write_text(report_text)
+    logger.info("Report: %s", report_path)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())
diff --git a/src/dxa/dataset.py b/src/dxa/dataset.py
index c7fcf47..4b15483 100644
--- a/src/dxa/dataset.py
+++ b/src/dxa/dataset.py
@@ -1,12 +1,15 @@
 """
 Датасет DXA для обучения классификатора качества.
 
-Метки формируются из имён DICOM-файлов (см. `src.dxa.labels`), где суффикс
-`_good`/`_bad` кодирует экспертную оценку; отсутствие суффикса — «хорошее»
-изображение. Одинаковые по содержимому файлы склеиваются в один пример.
+Источник меток по умолчанию — имена DICOM-файлов (суффикс `_good`/`_bad`; см.
+`src.dxa.labels`). Альтернативный, более полный источник — разметка, построенная
+по экспертной таблице (`labels/labels_images.csv`, см. `src.dxa.excel_labels`):
+она переносит оценку исследования на снимок и фиксирует типы нарушений.
+Передайте `labels_csv`, чтобы использовать её.
 
-Разбиение на train/val выполняется по исследованиям, чтобы снимки одного
-исследования не попадали одновременно в обучение и валидацию.
+Одинаковые по содержимому файлы склеиваются в один пример, а разбиение на
+train/val выполняется по исследованиям, чтобы снимки одного исследования не
+попадали одновременно в обучение и валидацию.
 """
 from __future__ import annotations
 
@@ -18,11 +21,13 @@ import numpy as np
 import torch
 from torch.utils.data import DataLoader, Dataset
 
+from src.dxa.excel_labels import apply_excel_labels
 from src.dxa.labels import (
     REGIONS,
     ImageRecord,
     format_summary,
     scan_dataset,
+    split_by_studies,
     stratified_group_split,
 )
 from src.dxa.preprocess import PreprocessConfig, preprocess_dicom, with_input_size
@@ -119,9 +124,17 @@ def build_records(
     data_root: str | Path,
     annotation_path: Optional[str | Path] = None,
     dedup: bool = True,
+    labels_csv: Optional[str | Path] = None,
 ) -> List[ImageRecord]:
-    """Найти и разметить все уникальные снимки датасета."""
+    """
+    Найти и разметить все уникальные снимки датасета.
+
+    Если задан `labels_csv`, метки и области берутся из него, а не из имён
+    файлов (см. `src.dxa.excel_labels.apply_excel_labels`).
+    """
     records = scan_dataset(data_root, with_pixel_dedup=dedup, annotation_path=annotation_path)
+    if labels_csv:
+        records = apply_excel_labels(records, labels_csv)
     logger.info("Dataset scan complete:\n%s", format_summary(records))
     return records
 
@@ -134,11 +147,25 @@ def make_datasets(
     seed: int = 42,
     dedup: bool = True,
     preprocess: Optional[PreprocessConfig] = None,
+    labels_csv: Optional[str | Path] = None,
+    val_studies: Optional[Sequence[str]] = None,
 ) -> Tuple[DXADataset, DXADataset, PreprocessConfig]:
-    """Собрать train/val датасеты с разбиением по исследованиям."""
+    """
+    Собрать train/val датасеты с разбиением по исследованиям.
+
+    Если передан `val_studies`, используется зафиксированное разбиение из файла
+    (`src.dxa.labels.load_split`), а не пересчёт по текущим меткам. Это нужно для
+    сравнения вариантов разметки на одном held-out наборе.
+    """
     cfg = with_input_size(preprocess or PreprocessConfig(), input_size)
-    records = build_records(data_root, annotation_path, dedup=dedup)
-    train_records, val_records = stratified_group_split(records, val_fraction=val_fraction, seed=seed)
+    records = build_records(data_root, annotation_path, dedup=dedup, labels_csv=labels_csv)
+    if val_studies is None:
+        train_records, val_records = stratified_group_split(
+            records, val_fraction=val_fraction, seed=seed
+        )
+    else:
+        train_records, val_records = split_by_studies(records, val_studies)
+        logger.info("Fixed split: %d studies in validation", len(set(val_studies)))
 
     logger.info(
         "Split: train=%d images / %d studies, val=%d images / %d studies",
@@ -162,6 +189,8 @@ def create_dataloaders(
     val_fraction: float = 0.2,
     seed: int = 42,
     preprocess: Optional[PreprocessConfig] = None,
+    labels_csv: Optional[str | Path] = None,
+    val_studies: Optional[Sequence[str]] = None,
 ) -> Tuple[DataLoader, DataLoader, PreprocessConfig]:
     """
     Создать train/val DataLoader.
@@ -177,6 +206,8 @@ def create_dataloaders(
         val_fraction=val_fraction,
         seed=seed,
         preprocess=preprocess,
+        labels_csv=labels_csv,
+        val_studies=val_studies,
     )
 
     pin = torch.cuda.is_available()
diff --git a/src/dxa/discriminator.py b/src/dxa/discriminator.py
index f874091..1d5dd14 100644
--- a/src/dxa/discriminator.py
+++ b/src/dxa/discriminator.py
@@ -31,7 +31,7 @@ from src.dxa.dataset import build_records
 from src.dxa.labels import REGIONS, QUALITY_BAD
 from src.dxa.model import create_model
 from src.dxa.preprocess import PreprocessConfig, preprocess_dicom
-from src.dxa.train import get_device
+from src.dxa.train import get_device, resolve_labels_csv
 
 logger = logging.getLogger("dxa.discriminator")
 
@@ -98,17 +98,30 @@ def evaluate(records, scores: np.ndarray) -> Dict:
     return out
 
 
-def run_model_comparison(model_path: str, device: Optional[str] = None) -> Dict:
-    """Сравнение модели с эвристикой области на всём наборе."""
+def run_model_comparison(
+    model_path: str,
+    device: Optional[str] = None,
+    labels_csv: Optional[str] = None,
+    data_root: str = "dataset_hack",
+) -> Dict:
+    """
+    Сравнение модели с эвристикой области на всём наборе.
+
+    Метки берутся из того же источника, что и при обучении (`labels_csv`),
+    иначе сравнение шло бы против другой истины.
+    """
     device = device or get_device()
     records = build_records(
-        "dataset_hack", "dataset_hack/НД_для_обучения/разметка.xlsx"
+        data_root,
+        "dataset_hack/НД_для_обучения/разметка.xlsx",
+        labels_csv=labels_csv,
     )
     logger.info("Device: %s, images: %d", device, len(records))
 
     report = {
         "model_path": str(model_path),
         "device": device,
+        "labels_csv": labels_csv,
         "n_images": len(records),
         "n_violations": int(sum(r.label == QUALITY_BAD for r in records)),
         "model": evaluate(records, model_logits(records, model_path, device)),
@@ -157,6 +170,8 @@ def main(argv: Optional[List[str]] = None) -> int:
     parser = argparse.ArgumentParser(description="Сравнение модели с эвристикой области")
     parser.add_argument("--model-path", default="models/dxa_model.pth")
     parser.add_argument("--device", default=None)
+    parser.add_argument("--labels-csv", default="labels/labels_images.csv",
+                        help="Тот же источник меток, что при обучении; пустая строка — метки из имён файлов")
     parser.add_argument("--json-out", default=None, help="Куда сохранить отчёт в JSON")
     args = parser.parse_args(argv)
 
@@ -164,7 +179,11 @@ def main(argv: Optional[List[str]] = None) -> int:
         logger.error("Checkpoint not found: %s", args.model_path)
         return 1
 
-    report = run_model_comparison(args.model_path, args.device)
+    report = run_model_comparison(
+        args.model_path,
+        args.device,
+        labels_csv=resolve_labels_csv(args.labels_csv),
+    )
     print(_format_report(report))
     if args.json_out:
         Path(args.json_out).write_text(json.dumps(report, ensure_ascii=False, indent=2))
diff --git a/src/dxa/excel_labels.py b/src/dxa/excel_labels.py
new file mode 100644
index 0000000..826adc3
--- /dev/null
+++ b/src/dxa/excel_labels.py
@@ -0,0 +1,566 @@
+"""
+Разметка снимков DXA на уровне изображения по экспертной таблице `разметка.xlsx`.
+
+Зачем. Экспертная оценка в наборе сделана на уровне исследования, а модель
+работает со снимками: вердикт нужно перенести. Перенос однозначен, потому что
+каждая анатомическая область встречается в исследовании ровно один раз
+(проверено: позвоночник 99, правое бедро 79, левое бедро 73 на 100
+исследований) — не нужно решать, какой из нескольких снимков «плохой».
+
+Правило метки выбирается параметром `--label-rule` (см. `LABEL_RULES`): по
+умолчанию `table` — только экспертная таблица. Вариант `union` дополнительно
+учитывает пометки, которые вручную проставлялись в именах файлов; он проиграл
+сравнение на held-out наборе (ROC-AUC 0.6199 против 0.6764) и оставлен, чтобы
+результат можно было воспроизвести. Вариант `expert` служит эталоном при оценке.
+
+Соглашения таблицы (проверены по данным, см. `docs/labeling.md`):
+  * значение 1 в столбце критерия означает нарушение, хотя часть заголовков
+    сформулирована положительно («корректная укладка»). Итог области равен
+    логическому ИЛИ критериев: для бёдер 72/72, для позвоночника 96/99;
+  * столбец `study` — имя каталога исследования, а не DICOM StudyInstanceUID;
+  * разметка относится к исследованию целиком, а не к отдельному снимку.
+
+Правило метки согласовано с condition_doctor.txt («если хотя бы один
+существенный пункт нарушен, снимок непригоден»): нарушение ставится, если его
+фиксирует экспертная таблица ИЛИ имя файла. Вклад каждого источника хранится
+отдельно, поэтому правило можно переиграть без повторного разбора.
+"""
+from __future__ import annotations
+
+import argparse
+import csv
+import logging
+from collections import Counter, defaultdict
+from dataclasses import dataclass
+from pathlib import Path
+from typing import Dict, Iterable, List, Optional, Sequence, Tuple
+
+import numpy as np
+import pydicom
+
+from src.dxa.labels import (
+    QUALITY_BAD,
+    QUALITY_GOOD,
+    ImageRecord,
+    region_from_filename,
+    scan_dataset,
+)
+from src.dxa.violations import (
+    ARTIFACT,
+    AXIS_DEVIATION,
+    POSITIONING,
+    ROI_INCORRECT,
+    ROTATION,
+    TABLE_TYPES,
+    UNSPECIFIED,
+    VIOLATION_TYPES,
+)
+
+logger = logging.getLogger(__name__)
+
+# Единый словарь типов нарушений живёт в `src.dxa.violations`; здесь имена
+# только реэкспортируются, чтобы таблица и остальное решение не разошлись.
+__all__ = [
+    "ARTIFACT",
+    "AXIS_DEVIATION",
+    "POSITIONING",
+    "ROI_INCORRECT",
+    "ROTATION",
+    "UNSPECIFIED",
+    "VIOLATION_TYPES",
+    "TABLE_TYPES",
+]
+
+# Порядок критериев совпадает с порядком столбцов в листе «разметка.xlsx».
+SPINE_CRITERIA: Tuple[str, ...] = (POSITIONING, AXIS_DEVIATION, ARTIFACT)
+HIP_CRITERIA: Tuple[str, ...] = (ROTATION, ROI_INCORRECT)
+
+# Индексы столбцов (0-based) в файле разметки; строки 0-1 — заголовки.
+_COL_STUDY = 1
+_COL_SPINE_CRITERIA = (2, 3, 4)
+_COL_HIP_RIGHT_CRITERIA = (5, 6)
+_COL_HIP_LEFT_CRITERIA = (7, 8)
+_COL_SPINE_TOTAL = 9
+_COL_HIP_RIGHT_TOTAL = 10
+_COL_HIP_LEFT_TOTAL = 11
+_COL_COMMENT = 12
+_HEADER_ROWS = 2
+
+#: Правила построения метки.
+#: `union` — нарушение, если его фиксирует таблица ИЛИ имя файла (суффикс `_bad`);
+#: `table` — только экспертная таблица; имя файла служит лишь резервом там, где
+#: таблица область не оценивала (таких снимков три), и это отмечается флагом;
+#: `expert` — чистый вердикт эксперта: снимки без оценки в файл не попадают.
+#: Правило `expert` предназначено для эталона при оценке, а не для обучения.
+LABEL_RULES = ("union", "table", "expert")
+#: По умолчанию метка берётся только из экспертной таблицы: суффиксы имён файлов
+#: проставлялись вручную и оказались ненадёжными. На held-out наборе правило
+#: `table` дало ROC-AUC 0.6764 против 0.6199 у `union` (парная разница +0.0564,
+#: 5 из 5 seed'ов) — см. `models/compare_rules/rule_comparison.md`.
+DEFAULT_LABEL_RULE = "table"
+
+HIP_REGIONS = ("hip_right", "hip_left")
+
+
+@dataclass(frozen=True)
+class RegionCriteria:
+    """Экспертная оценка одной анатомической области в исследовании."""
+
+    violations: Dict[str, Optional[int]]
+    total: Optional[int]
+
+    @property
+    def known(self) -> bool:
+        """Есть ли хоть какое-то экспертное свидетельство по области."""
+        return self.total is not None or any(v is not None for v in self.violations.values())
+
+    @property
+    def bad(self) -> bool:
+        """Нарушение, если отмечен итог или хотя бы один критерий."""
+        if self.total == 1:
+            return True
+        return any(v == 1 for v in self.violations.values())
+
+    def violated(self) -> List[str]:
+        """Типы нарушений по отмеченным критериям."""
+        types = [name for name, value in self.violations.items() if value == 1]
+        if not types and self.total == 1:
+            types.append(UNSPECIFIED)
+        return types
+
+
+@dataclass(frozen=True)
+class StudyCriteria:
+    """Экспертная разметка исследования: критерии по областям плюс комментарий."""
+
+    study: str
+    regions: Dict[str, RegionCriteria]
+    comment: Optional[str] = None
+
+    def for_region(self, region: str) -> Optional[RegionCriteria]:
+        return self.regions.get(region)
+
+    def hip_variants(self) -> List[RegionCriteria]:
+        return [c for r, c in self.regions.items() if r in HIP_REGIONS and c.known]
+
+
+@dataclass
+class ImageLabel:
+    """Метка одного уникального снимка с указанием источника свидетельства."""
+
+    record: ImageRecord
+    region: Optional[str]
+    quality: int
+    violations: Tuple[str, ...]
+    quality_excel: Optional[int]
+    quality_filename: int
+    laterality_mirrored: bool = False
+    region_ambiguous: bool = False
+    comment: Optional[str] = None
+    dicom_study_uid: str = ""
+    dicom_image_uid: str = ""
+    label_rule: str = DEFAULT_LABEL_RULE
+
+    @property
+    def conflict(self) -> bool:
+        """Источники противоречат друг другу (таблица «хорошо», имя файла «плохо» и наоборот)."""
+        return self.quality_excel is not None and self.quality_excel != self.quality_filename
+
+    @property
+    def used_filename_fallback(self) -> bool:
+        """Метка взята из имени файла, потому что таблица область не оценивала."""
+        return self.quality_excel is None
+
+    def as_row(self) -> Dict[str, object]:
+        return {
+            "path_to_image": str(self.record.path),
+            "file": self.record.path.name,
+            "study": self.record.study,
+            "study_uid": self.dicom_study_uid,
+            "image_uid": self.dicom_image_uid,
+            "anatomical_region": self.region or "",
+            "quality_class": self.quality,
+            "violation_type": ";".join(self.violations),
+            "quality_from_excel": "" if self.quality_excel is None else self.quality_excel,
+            "quality_from_filename": self.quality_filename,
+            "sources_conflict": int(self.conflict),
+            "laterality_mirrored": int(self.laterality_mirrored),
+            "region_ambiguous": int(self.region_ambiguous),
+            "label_rule": self.label_rule,
+            "filename_fallback": int(self.used_filename_fallback),
+            "filename_marker": self.record.marker or "",
+            "expert_comment": self.comment or "",
+        }
+
+
+CSV_FIELDS: Tuple[str, ...] = tuple(
+    ImageLabel(
+        record=ImageRecord(path=Path("_"), study="_", region=None, label=0),
+        region=None,
+        quality=0,
+        violations=(),
+        quality_excel=None,
+        quality_filename=0,
+    ).as_row().keys()
+)
+
+
+def _as_int(value) -> Optional[int]:
+    """Привести ячейку Excel к 0/1/None, не роняя разбор на тексте и NaN."""
+    if value is None:
+        return None
+    try:
+        if isinstance(value, float) and np.isnan(value):
+            return None
+    except TypeError:
+        pass
+    try:
+        number = float(value)
+    except (TypeError, ValueError):
+        return None
+    if np.isnan(number):
+        return None
+    return int(number)
+
+
+def load_study_criteria(excel_path: str | Path) -> Dict[str, StudyCriteria]:
+    """
+    Прочитать лист разметки и вернуть критерии по каждому исследованию.
+
+    Ключ — имя каталога исследования (столбец `study`), а не StudyInstanceUID:
+    в таблице используются именно имена каталогов датасета.
+    """
+    import pandas as pd
+
+    raw = pd.read_excel(excel_path, header=None)
+    if raw.shape[0] <= _HEADER_ROWS:
+        raise ValueError(f"Unexpected annotation layout in {excel_path}: shape={raw.shape}")
+    # pandas отбрасывает целиком пустые хвостовые столбцы, а разбор обращается
+    # к столбцу комментария по индексу. Дополняем таблицу до нужной ширины.
+    for column in range(raw.shape[1], _COL_COMMENT + 1):
+        raw[column] = np.nan
+
+    data = raw.iloc[_HEADER_ROWS:]
+    criteria: Dict[str, StudyCriteria] = {}
+    for _, row in data.iterrows():
+        study = row.iloc[_COL_STUDY]
+        if study is None or (isinstance(study, float) and np.isnan(study)):
+            continue
+        study = str(study).strip()
+        if not study:
+            continue
+
+        regions = {
+            "spine": RegionCriteria(
+                violations=dict(zip(SPINE_CRITERIA, (row.iloc[c] for c in _COL_SPINE_CRITERIA))),
+                total=_as_int(row.iloc[_COL_SPINE_TOTAL]),
+            ),
+            "hip_right": RegionCriteria(
+                violations=dict(
+                    zip(HIP_CRITERIA, (row.iloc[c] for c in _COL_HIP_RIGHT_CRITERIA))
+                ),
+                total=_as_int(row.iloc[_COL_HIP_RIGHT_TOTAL]),
+            ),
+            "hip_left": RegionCriteria(
+                violations=dict(zip(HIP_CRITERIA, (row.iloc[c] for c in _COL_HIP_LEFT_CRITERIA))),
+                total=_as_int(row.iloc[_COL_HIP_LEFT_TOTAL]),
+            ),
+        }
+        regions = {
+            name: RegionCriteria(
+                violations={k: _as_int(v) for k, v in cell.violations.items()},
+                total=cell.total,
+            )
+            for name, cell in regions.items()
+        }
+        comment = row.iloc[_COL_COMMENT]
+        criteria[study] = StudyCriteria(
+            study=study,
+            regions=regions,
+            comment=None if pd.isna(comment) else str(comment).strip(),
+        )
+    return criteria
+
+
+def resolve_region(sources: Sequence[Path]) -> Tuple[Optional[str], bool]:
+    """
+    Определить область по именам всех файлов одного изображения (голосование).
+
+    Побайтные дубли иногда названы по-разному (`spine_03_bad.dcm` и
+    `l_hip_01.dcm` — один снимок). Побеждает область, встречающаяся чаще;
+    при равенстве голосов область считается неопределённой.
+    """
+    votes = Counter(
+        region for region in (region_from_filename(p.stem) for p in sources) if region is not None
+    )
+    if not votes:
+        return None, True
+    if len(votes) == 1:
+        return next(iter(votes)), False
+    top = votes.most_common()
+    if top[0][1] == top[1][1]:
+        return None, True
+    return top[0][0], False
+
+
+def _read_dicom_uids(path: Path) -> Tuple[str, str]:
+    """StudyInstanceUID и SOPInstanceUID снимка (пустые строки, если тегов нет)."""
+    ds = pydicom.dcmread(str(path), stop_before_pixels=True)
+    return str(getattr(ds, "StudyInstanceUID", "") or ""), str(getattr(ds, "SOPInstanceUID", "") or "")
+
+
+def _pick_criteria(
+    study: StudyCriteria,
+    region: Optional[str],
+    hip_image_count: int,
+) -> Tuple[Optional[RegionCriteria], bool]:
+    """
+    Выбрать критерии области. Для бёдер допускается зеркальный перенос.
+
+    В 6 исследованиях с единственным снимком бедра столбцы «правое»/«левое» в
+    таблице заполнены зеркально относительно имён файлов (в 71 из 72
+    исследований с двумя бёдрами они совпадают, то есть сдвиг не глобальный).
+    Если снимок бедра в исследовании один, а заполнен столбец противоположной
+    стороны, это и есть его оценка; факт переноса фиксируется флагом.
+    """
+    if region is None:
+        return None, False
+
+    cell = study.for_region(region)
+    if cell is not None and cell.known:
+        return cell, False
+    if region in HIP_REGIONS and hip_image_count == 1:
+        variants = study.hip_variants()
+        if len(variants) == 1:
+            return variants[0], True
+    return cell, False
+
+
+def label_dataset(
+    data_root: str | Path,
+    excel_path: str | Path,
+    label_rule: str = DEFAULT_LABEL_RULE,
+) -> List[ImageLabel]:
+    """
+    Построить метки всех уникальных снимков датасета.
+
+    `label_rule="union"` — нарушение, если его фиксирует таблица ИЛИ имя файла.
+    `label_rule="table"` — только таблица: суффикс `_bad` в метке не участвует,
+    он остаётся лишь диагностическим столбцом. Там, где таблица область не
+    оценивала (три снимка), метка берётся из имени файла и это отмечается
+    флагом `filename_fallback`, потому что иначе снимок остался бы без метки.
+    """
+    if label_rule not in LABEL_RULES:
+        raise ValueError(f"Unknown label_rule={label_rule!r}, expected one of {LABEL_RULES}")
+
+    records = scan_dataset(data_root)
+    criteria = load_study_criteria(excel_path)
+
+    hip_counts: Dict[str, int] = defaultdict(int)
+    for rec in records:
+        region, _ = resolve_region(rec.sources)
+        if region in HIP_REGIONS:
+            hip_counts[rec.study] += 1
+
+    labels: List[ImageLabel] = []
+    for rec in records:
+        region, ambiguous = resolve_region(rec.sources)
+        study = criteria.get(rec.study)
+        cell, mirrored = _pick_criteria(study, region, hip_counts[rec.study]) if study else (None, False)
+
+        quality_excel = None if cell is None or not cell.known else (QUALITY_BAD if cell.bad else QUALITY_GOOD)
+        quality_filename = QUALITY_BAD if rec.marker == "bad" else QUALITY_GOOD
+
+        if quality_excel is None:
+            if label_rule == "expert":
+                # Снимок без экспертной оценки в эталон не входит.
+                continue
+            quality = quality_filename
+            violations: Tuple[str, ...] = (UNSPECIFIED,) if quality == QUALITY_BAD else ()
+        elif label_rule in ("table", "expert"):
+            quality = quality_excel
+            violations = tuple(cell.violated())
+        else:
+            quality = max(quality_excel, quality_filename)
+            violations = tuple(cell.violated())
+            if quality == QUALITY_BAD and not violations:
+                violations = (UNSPECIFIED,)
+
+        study_uid, image_uid = _read_dicom_uids(rec.path)
+        labels.append(
+            ImageLabel(
+                record=rec,
+                region=region,
+                quality=quality,
+                violations=violations,
+                quality_excel=quality_excel,
+                quality_filename=quality_filename,
+                laterality_mirrored=mirrored,
+                region_ambiguous=ambiguous,
+                comment=study.comment if study else None,
+                dicom_study_uid=study_uid,
+                dicom_image_uid=image_uid,
+                label_rule=label_rule,
+            )
+        )
+    return labels
+
+
+def label_summary(labels: Sequence[ImageLabel]) -> Dict[str, Dict[str, object]]:
+    """Сводка распределения меток по областям, классам и типам нарушений."""
+    summary: Dict[str, Dict[str, object]] = {}
+    for region in (*("spine",), *HIP_REGIONS, ""):
+        subset = [l for l in labels if (l.region or "") == region]
+        if not subset:
+            continue
+        violations = Counter(t for l in subset for t in l.violations)
+        summary[region or "unknown"] = {
+            "total": len(subset),
+            "good": sum(1 for l in subset if l.quality == QUALITY_GOOD),
+            "bad": sum(1 for l in subset if l.quality == QUALITY_BAD),
+            "conflicts": sum(1 for l in subset if l.conflict),
+            "violations": dict(violations.most_common()),
+        }
+    return summary
+
+
+def write_csv(labels: Sequence[ImageLabel], out_path: str | Path) -> Path:
+    """Записать метки в CSV (по одной строке на снимок)."""
+    path = Path(out_path)
+    path.parent.mkdir(parents=True, exist_ok=True)
+    with path.open("w", newline="", encoding="utf-8") as fh:
+        writer = csv.DictWriter(fh, fieldnames=list(CSV_FIELDS))
+        writer.writeheader()
+        for label in labels:
+            writer.writerow(label.as_row())
+    return path
+
+
+def load_labels_csv(path: str | Path) -> Dict[str, Dict[str, str]]:
+    """Прочитать построенную разметку; ключ — путь к снимку из `path_to_image`."""
+    with Path(path).open(newline="", encoding="utf-8") as fh:
+        rows = list(csv.DictReader(fh))
+    if not rows:
+        raise ValueError(f"Empty labels file: {path}")
+    missing = {"path_to_image", "quality_class"} - set(rows[0])
+    if missing:
+        raise ValueError(f"Labels file {path} lacks columns: {sorted(missing)}")
+    return {row["path_to_image"]: row for row in rows}
+
+
+def apply_excel_labels(
+    records: Sequence[ImageRecord],
+    labels_csv: str | Path,
+) -> List[ImageRecord]:
+    """
+    Подменить метки и области снимков на построенные по экспертной таблице.
+
+    Группировка снимков берётся из живого сканирования датасета
+    (`scan_dataset`), а не из файла: так устаревшая разметка не сможет
+    незаметно разойтись с данными. Если CSV описывает не этот датасет,
+    подстановка не делается вовсе; частичное несовпадение — предупреждение.
+    """
+    table = load_labels_csv(labels_csv)
+    matched = 0
+    unknown: List[str] = []
+
+    updated: List[ImageRecord] = []
+    for rec in records:
+        row = table.get(str(rec.path))
+        if row is None:
+            unknown.append(str(rec.path))
+            updated.append(rec)
+            continue
+        matched += 1
+        region = row.get("anatomical_region") or None
+        updated.append(
+            ImageRecord(
+                path=rec.path,
+                study=rec.study,
+                region=region,
+                label=int(row["quality_class"]),
+                marker=rec.marker,
+                sources=rec.sources,
+            )
+        )
+
+    if matched == 0:
+        raise ValueError(
+            f"None of the {len(records)} dataset images are present in {labels_csv}; "
+            "regenerate it with `./run.sh label`"
+        )
+    if unknown:
+        logger.warning(
+            "%d/%d images are absent from %s and keep filename labels (first: %s)",
+            len(unknown), len(records), labels_csv, unknown[0],
+        )
+    logger.info("Labels taken from %s: %d/%d images matched", labels_csv, matched, len(records))
+    return updated
+
+
+def write_xlsx(labels: Sequence[ImageLabel], out_path: str | Path) -> Path:
+    """Записать метки в XLSX (тот же набор столбцов, что и CSV)."""
+    import pandas as pd
+
+    path = Path(out_path)
+    path.parent.mkdir(parents=True, exist_ok=True)
+    pd.DataFrame([label.as_row() for label in labels], columns=list(CSV_FIELDS)).to_excel(
+        path, index=False
+    )
+    return path
+
+
+def format_summary(labels: Sequence[ImageLabel]) -> str:
+    """Человекочитаемая сводка разметки для логов и отчёта."""
+    summary = label_summary(labels)
+    rule = labels[0].label_rule if labels else DEFAULT_LABEL_RULE
+    lines = [f"Unique images: {len(labels)} (label rule: {rule})"]
+    total_good = total_bad = 0
+    for region, stats in summary.items():
+        total_good += int(stats["good"])
+        total_bad += int(stats["bad"])
+        lines.append(
+            f"  {region:10} good={stats['good']:4} bad={stats['bad']:4} "
+            f"total={stats['total']:4} conflict={stats['conflicts']:3}"
+        )
+        if stats["violations"]:
+            lines.append(f"    violations: {stats['violations']}")
+    share = total_bad / max(total_bad + total_good, 1)
+    lines.append(f"  {'ALL':10} good={total_good:4} bad={total_bad:4} (bad share={share:.1%})")
+    fallback = sum(1 for label in labels if label.used_filename_fallback)
+    if fallback:
+        lines.append(f"  without expert verdict (label from filename): {fallback}")
+    return "\n".join(lines)
+
+
+def main(argv: Iterable[str] | None = None) -> None:
+    parser = argparse.ArgumentParser(
+        description="Разметить снимки DXA на уровне изображения по экспертной таблице"
+    )
+    parser.add_argument("--data-root", default="dataset_hack")
+    parser.add_argument(
+        "--excel",
+        default=None,
+        help="путь к разметке.xlsx (по умолчанию ищется в data-root)",
+    )
+    parser.add_argument("--out-dir", default="labels")
+    parser.add_argument("--out-name", default="labels_images",
+                        help="Базовое имя файлов результата (без расширения)")
+    parser.add_argument("--label-rule", choices=LABEL_RULES, default=DEFAULT_LABEL_RULE,
+                        help="union — таблица или имя файла; table — только экспертная таблица")
+    parser.add_argument("--no-xlsx", action="store_true", help="не писать XLSX")
+    args = parser.parse_args(list(argv) if argv is not None else None)
+
+    excel = Path(args.excel) if args.excel else Path(args.data_root) / "НД_для_обучения" / "разметка.xlsx"
+    labels = label_dataset(args.data_root, excel, label_rule=args.label_rule)
+
+    out_dir = Path(args.out_dir)
+    csv_path = write_csv(labels, out_dir / f"{args.out_name}.csv")
+    print(format_summary(labels))
+    print(f"\nCSV: {csv_path}")
+    if not args.no_xlsx:
+        print(f"XLSX: {write_xlsx(labels, out_dir / f'{args.out_name}.xlsx')}")
+
+
+if __name__ == "__main__":
+    main()
diff --git a/src/dxa/inference.py b/src/dxa/inference.py
index e6c6229..396df51 100644
--- a/src/dxa/inference.py
+++ b/src/dxa/inference.py
@@ -52,23 +52,19 @@ from src.dxa.preprocess import (
     load_dicom_array,
     preprocess_from_array,
 )
+from src.dxa.violations import (
+    ARTIFACT,
+    MOTION,
+    ROTATION,
+    UNSPECIFIED,
+    reason as violation_reason,
+)
 
 logger = logging.getLogger("dxa.inference")
 
 # Предсказание вспомогательной головы -> анатомическая область
 REGION_BY_ID = {1: "spine", 2: "hip_right", 3: "hip_left"}
 
-# Человекочитаемые причины для типа нарушения
-REASON_BY_TYPE = {
-    "position_error": "Геометрия или укладка области исследования нарушены",
-    "artifact_motion": "Признаки артефактов движения (размытие, раздвоение контуров)",
-    "artifact_other": "Посторонние включения или артефакты в зоне интереса",
-    "incomplete_view": "Нужная анатомическая область видна не полностью",
-    "roi_error": "Границы области интереса не совпадают с анатомическими",
-    "rotation": "Выраженная ротация, искажающая анатомические границы",
-    "quality_violation_detected": "Выявлено нарушение качества изображения",
-}
-
 OUTPUT_COLUMNS = [
     "path_to_study", "study_uid", "image_uid", "anatomical_region",
     "quality_class", "violation_type", "processing_status", "time_of_processing",
@@ -411,24 +407,27 @@ def classify_violation_type(
     samples: Optional[Dict[str, float]],
 ) -> Tuple[str, str]:
     """
-    Определить тип нарушения по эвристическим метрикам изображения.
+    Предположить тип нарушения по эвристическим признакам изображения.
 
-    Возвращает (тип, пояснение). Тип выбирается по наиболее выраженному
-    признаку; при отсутствии сигналов возвращается общая категория.
+    Возвращает (код, пояснение) с кодами из `src.dxa.violations`. Это НЕ вывод
+    модели: модель решает только бинарную задачу «пригоден / есть нарушение», а
+    тип выбирается по наиболее выраженному признаку. При отсутствии признаков
+    возвращается общая категория `unspecified`, поэтому в интерфейсе тип
+    помечен как эвристика, а не как заключение.
     """
     motion = samples.get("laplacian_variance") if samples else None
     bright_frac = samples.get("bright_fraction") if samples else None
 
     if motion is not None and motion < metrics.get("motion_threshold", 0.0):
-        return "artifact_motion", REASON_BY_TYPE["artifact_motion"]
+        return MOTION, violation_reason(MOTION)
     if bright_frac is not None and bright_frac > metrics.get("artifact_threshold", 1.0):
-        return "artifact_other", REASON_BY_TYPE["artifact_other"]
+        return ARTIFACT, violation_reason(ARTIFACT)
     if region in ("hip_left", "hip_right") and samples:
         aspect = samples.get("bbox_aspect", 1.0)
         if aspect < 0.4 or aspect > 3.0:
-            return "rotation", REASON_BY_TYPE["rotation"]
+            return ROTATION, violation_reason(ROTATION)
 
-    return "quality_violation_detected", REASON_BY_TYPE["quality_violation_detected"]
+    return UNSPECIFIED, violation_reason(UNSPECIFIED)
 
 
 def image_samples(img: np.ndarray) -> Dict[str, float]:
diff --git a/src/dxa/labels.py b/src/dxa/labels.py
index fd01e2f..2b5c881 100644
--- a/src/dxa/labels.py
+++ b/src/dxa/labels.py
@@ -16,6 +16,7 @@
 from __future__ import annotations
 
 import hashlib
+import json
 import logging
 import re
 from dataclasses import dataclass
@@ -327,3 +328,66 @@ def iter_dicom_files(data_root: str | Path) -> Iterable[Path]:
         yield root
         return
     yield from sorted(root.rglob("*.dcm"))
+
+
+def export_split(
+    records: Sequence[ImageRecord],
+    out_path: str | Path,
+    val_fraction: float = 0.2,
+    seed: int = 42,
+) -> Path:
+    """
+    Зафиксировать разбиение по исследованиям в файле.
+
+    Нужно, чтобы сравнивать варианты разметки на одном и том же held-out
+    наборе: `stratified_group_split` стратифицирует по наличию нарушений, а оно
+    зависит от источника меток. Без общего файла смена меток меняла бы и
+    валидационный набор, и метрики становились бы несравнимыми.
+    """
+    _, val = stratified_group_split(records, val_fraction=val_fraction, seed=seed)
+    path = Path(out_path)
+    path.parent.mkdir(parents=True, exist_ok=True)
+    path.write_text(
+        json.dumps(
+            {
+                "val_studies": sorted({r.study for r in val}),
+                "val_fraction": val_fraction,
+                "seed": seed,
+                "train_images": len(records) - len(val),
+                "val_images": len(val),
+            },
+            ensure_ascii=False,
+            indent=2,
+        )
+    )
+    return path
+
+
+def load_split(path: str | Path) -> set:
+    """Прочитать список исследований валидации из файла разбиения."""
+    data = json.loads(Path(path).read_text())
+    studies = data.get("val_studies")
+    if not isinstance(studies, list) or not studies:
+        raise ValueError(f"Split file {path} has no non-empty 'val_studies' list")
+    return set(studies)
+
+
+def split_by_studies(
+    records: Sequence[ImageRecord],
+    val_studies: Iterable[str],
+) -> Tuple[List[ImageRecord], List[ImageRecord]]:
+    """
+    Разделить примеры по заранее заданному списку исследований.
+
+    Исследования из файла разбиения попадают в валидацию; исследования, которых
+    в файле нет, относятся к обучению. Такой же контракт у
+    `stratified_group_split`, поэтому варианты сравнимы.
+    """
+    val_set = set(val_studies)
+    train = [r for r in records if r.study not in val_set]
+    val = [r for r in records if r.study in val_set]
+    if not train or not val:
+        raise ValueError(
+            f"Split by studies degenerated: train={len(train)}, val={len(val)}"
+        )
+    return train, val
diff --git a/src/dxa/model_card.py b/src/dxa/model_card.py
new file mode 100644
index 0000000..be64406
--- /dev/null
+++ b/src/dxa/model_card.py
@@ -0,0 +1,156 @@
+"""
+Актуальные сведения о решении: разметка, модель, метрики, ограничения.
+
+Модуль — источник данных для эндпоинта `/api/v1/model` и панели «О модели» в
+веб-интерфейсе. Значения зафиксированы на дату снимка и снабжены ссылками на
+источник, потому что API в контейнере не имеет доступа ни к `docs/labeling.md`,
+ни к артефактам экспериментов: в образ копируется только `src/`.
+
+Честность чисел важнее полноты:
+
+* метрики сравнения — среднее по пяти seed'ам с 95 % доверительным интервалом
+  (`models/compare_rules/rule_comparison.md`);
+* рабочий чекпоинт — обычный прогон с seed по умолчанию, не лучший из выборки,
+  поэтому его собственная валидационная оценка близка к среднему по seed'ам;
+* эталон оценки — вердикт эксперта из таблицы, независимой истины нет, поэтому
+  интервал не покрывает неопределённость самой разметки.
+"""
+from __future__ import annotations
+
+from typing import Dict, List
+
+from src.dxa.violations import catalogue as violations_catalogue
+
+#: Дата, на которую верны числа ниже.
+SNAPSHOT_DATE = "2026-09-26"
+
+#: Источник чисел — чтобы их можно было перепроверить, а не принимать на веру.
+SOURCES: List[str] = [
+    "docs/labeling.md — как построена разметка и как выбиралось правило",
+    "models/compare_rules/rule_comparison.md — машинный отчёт сравнения правил",
+    "models/train_report.json — отчёт обучения рабочего чекпоинта",
+]
+
+DATASET: Dict = {
+    "files_on_disk": 544,
+    "unique_images": 252,
+    "studies": 100,
+    "per_region": {"spine": 99, "hip_right": 79, "hip_left": 73, "unknown": 1},
+    "violations_expert": 74,
+    "violations_labeled": 77,
+    "images_without_expert_verdict": 3,
+    "violation_share": 0.3056,
+}
+
+LABELS: Dict = {
+    "csv": "labels/labels_images.csv",
+    "rule": (
+        "Метка и тип нарушения берутся только из экспертной таблицы: по каждому "
+        "исследованию отмечены критерии (укладка, ось, артефакты, позиционирование, "
+        "область интереса), а каждая область встречается в исследовании ровно один "
+        "раз, поэтому вердикт переносится на снимок однозначно."
+    ),
+    "columns": [
+        "path_to_image", "study", "study_uid", "image_uid", "anatomical_region",
+        "quality_class", "violation_type", "quality_from_excel",
+        "quality_from_filename", "sources_conflict", "laterality_mirrored",
+        "region_ambiguous", "label_rule", "filename_fallback", "filename_marker",
+        "expert_comment",
+    ],
+    "violation_types": ["rotation", "artifact", "axis_deviation", "roi_incorrect",
+                        "positioning", "unspecified"],
+}
+
+#: Сравнение правил разметки на одном held-out наборе: `table` — метка только из
+#: экспертной таблицы (принято), `union` — таблица плюс служебные пометки,
+#: которые проставлялись при подготовке набора. Оценка по эталону — вердикту
+#: эксперта; 5 seed'ов.
+COMPARISON: Dict = {
+    "title": "Выбор правила разметки",
+    "question": (
+        "Метку можно брать только из экспертной таблицы или дополнительно "
+        "учитывать служебные пометки, проставленные при подготовке набора. "
+        "Пометки расходились с оценкой эксперта в 15 случаях из 252, поэтому "
+        "правило нужно было выбрать измерением."
+    ),
+    "variants": {"table": "только экспертная таблица", "union": "таблица и служебные пометки"},
+    "seeds": [0, 1, 2, 3, 4],
+    "val_images": 53,
+    "val_violations": 16,
+    "reference": "вердикт эксперта из labels/labels_images_expert.csv",
+    "metrics": {
+        "roc_auc": {"table": [0.6764, 0.6309, 0.7218], "union": [0.6199, 0.5840, 0.6559]},
+        "pr_auc": {"table": [0.4759, 0.4141, 0.5377], "union": [0.4046, 0.3702, 0.4391]},
+        "f1": {"table": [0.5676, 0.5270, 0.6082], "union": [0.5426, 0.5073, 0.5778]},
+    },
+    "paired_delta_table_minus_union": {
+        "roc_auc": [0.0564, 0.0403, 0.0725],
+        "pr_auc": [0.0713, 0.0398, 0.1028],
+        "f1": [0.0251, -0.0056, 0.0558],
+    },
+    "paired_wins": "5 из 5 seed'ов в пользу экспертной таблицы",
+    "decision": "Принято правило `table`: служебные пометки в метках не участвуют.",
+}
+
+#: Рабочий чекпоинт. Собственные метрики валидации берутся из чекпоинта и
+#: продублированы здесь только для отображения.
+DEPLOYED: Dict = {
+    "checkpoint": "models/dxa_model.pth",
+    "backbone": "resnet18",
+    "head": "linear",
+    "labels_csv": "labels/labels_images.csv",
+    "label_rule": "table",
+    # Рабочий прогон использует штатное стратифицированное разбиение, а не
+    # зафиксированный файл — поэтому поле пустое, и это ожидаемо.
+    "split_file": None,
+    "seed": 42,
+    "epoch": 39,
+    "threshold_logit": -0.4930129051208496,
+    "threshold_probability": 0.3792,
+    "train_images": 199,
+    "val_images": 53,
+    "val_violations": 16,
+    "val_roc_auc": 0.6706,
+    "val_pr_auc": 0.4585,
+    "val_f1": 0.5600,
+    "val_recall": 0.8750,
+    "val_precision": 0.4118,
+    "caveat": (
+        "Это обычный прогон с seed по умолчанию, а не лучший из выборки. "
+        "Незавышенная ожидаемая оценка того же варианта разметки — среднее по пяти "
+        "seed'ам: ROC-AUC 0.6764 [0.6309, 0.7218]. Его собственная валидационная "
+        "ROC-AUC 0.6706 близка к этому среднему."
+    ),
+}
+
+#: Что модель не делает. Показывается в интерфейсе рядом с результатом.
+LIMITATIONS: List[str] = [
+    "Модель бинарная: она отвечает «пригоден / есть нарушение» и НЕ определяет тип нарушения.",
+    "Тип нарушения в ответе — эвристика по метрикам снимка; на этом наборе она чаще "
+    "всего даёт общую категорию `unspecified`.",
+    "Мало данных: 252 снимка, 77 нарушений; доверительные интервалы широкие.",
+    "Эталон — экспертная таблица, независимой истины нет; интервалы не покрывают "
+    "неопределённость самой разметки.",
+    "Для 3 снимков таблица область не оценивала — метка взята из служебной пометки "
+    "(столбец `filename_fallback`).",
+    "Сторона бедра в 7 исследованиях с единственным снимком не проверяема: теги "
+    "`Laterality` в DICOM пусты.",
+    "Область определяется по ширине кадра: порог `SPINE_MIN_WIDTH` привязан к текущему "
+    "оборудованию.",
+    "Корректность нанесённых областей интереса наследуется из таблицы: разметки ROI "
+    "в DICOM нет, сравнить её напрямую не с чем.",
+]
+
+
+def model_card() -> Dict:
+    """Полная карточка решения для `/api/v1/model` и панели «О модели»."""
+    return {
+        "snapshot_date": SNAPSHOT_DATE,
+        "labels": LABELS,
+        "dataset": DATASET,
+        "model": DEPLOYED,
+        "comparison": COMPARISON,
+        "violations": violations_catalogue(),
+        "limitations": LIMITATIONS,
+        "sources": SOURCES,
+    }
diff --git a/src/dxa/rename_files.py b/src/dxa/rename_files.py
new file mode 100644
index 0000000..269deb9
--- /dev/null
+++ b/src/dxa/rename_files.py
@@ -0,0 +1,289 @@
+"""
+Приведение имён DICOM-файлов датасета к единому виду.
+
+Проблема: имена в датасете писались вручную и разошлись — `spine_1` и `spine_01`,
+`Spine_01`, `r_spine_03`, `r_hip03`, `r_hop_02` (опечатка), `spine-1`. Искать
+файл по всему набору из-за этого неудобно.
+
+Целевой вид: `<область>_<NN>[_good|_bad].dcm`, где область — `spine`, `l_hip`
+или `r_hip`, номер — две цифры. Суффикс оценки сохраняется ровно таким, каким
+был: модуль намеренно не дописывает `_good` файлам без метки, иначе источник
+«метка в имени файла» перестал бы быть независимым свидетельством о качестве.
+
+Безопасность:
+
+* по умолчанию выполняется только разбор и печать плана (`--dry-run` по
+  умолчанию), правка требует явного `--apply`;
+* карта переименований пишется в CSV **до** правки, поэтому откат возможен даже
+  при прерывании: `--rollback --mapping <файл>`;
+* файлы без распознаваемой области не переименовываются;
+* переименование выполняется через временные имена, поэтому цепочки вида
+  `spine_1 → spine_01` при занятом `spine_01` не портят данные;
+* разбор области в проекте терпим к этим написаниям (`r_hop_02` и `r_spine_03`
+  уже дают верную область), поэтому переименование не меняет ни склейку
+  дублей, ни разметку — это проверяется сравнением `labels_images.csv` до и
+  после.
+
+Примеры:
+    python -m src.dxa.rename_files --dry-run          # только план
+    python -m src.dxa.rename_files --apply            # выполнить
+    python -m src.dxa.rename_files --rollback --mapping labels/rename_map.csv
+"""
+from __future__ import annotations
+
+import argparse
+import csv
+import logging
+import os
+import re
+from dataclasses import dataclass
+from pathlib import Path
+from typing import Dict, Iterable, List, Optional, Sequence, Tuple
+
+from src.dxa.labels import marker_from_filename, region_from_filename
+
+logger = logging.getLogger(__name__)
+
+#: Соответствие кода области (как в остальном коде) префиксу в имени файла.
+#: В именах исторически используются `l_hip` и `r_hip`, а не `hip_left` /
+#: `hip_right`: словарь имён не меняем, чтобы не ломать привычный поиск.
+REGION_PREFIX: Dict[str, str] = {
+    "spine": "spine",
+    "hip_left": "l_hip",
+    "hip_right": "r_hip",
+}
+
+#: Разделитель, к которому приводится номер.
+_NUMBER_RE = re.compile(r"(\d+)")
+
+_MAPPING_FIELDS = ("old_path", "new_path", "old_name", "new_name", "reason")
+
+
+@dataclass(frozen=True)
+class Rename:
+    """Одно переименование: что было, что станет и почему."""
+
+    source: Path
+    target: Path
+    reason: str
+
+    @property
+    def is_change(self) -> bool:
+        # На регистронезависимой файловой системе (macOS) смена только регистра
+        # тоже требует переименования, поэтому сравниваем имена буквально.
+        return self.source.name != self.target.name
+
+
+def parse_stem(stem: str) -> Optional[Tuple[str, int, Optional[str]]]:
+    """
+    Разобрать имя на (код области, номер, метка).
+
+    Возвращает None, если область не распознаётся: такой файл переименовать
+    нельзя, не угадывая область, а угадывание в имени файла недопустимо.
+    """
+    region = region_from_filename(stem)
+    if region not in REGION_PREFIX:
+        return None
+    label = marker_from_filename(stem)
+    match = _NUMBER_RE.search(stem)
+    return region, int(match.group(1)) if match else 1, label
+
+
+def _format_name(region: str, number: int, label: Optional[str], suffix: str) -> str:
+    """`<префикс области>_<NN>[_метка]<расширение>`."""
+    name = f"{REGION_PREFIX[region]}_{number:02d}"
+    if label:
+        name += f"_{label}"
+    return name + suffix
+
+
+def canonical_stem(stem: str) -> Optional[str]:
+    """Каноническое имя без расширения или None, если область не распознана."""
+    parsed = parse_stem(stem)
+    return None if parsed is None else _format_name(*parsed, "")
+
+
+def plan_renames(files: Sequence[Path]) -> List[Rename]:
+    """
+    План переименований с разрешением конфликтов имён.
+
+    Конфликт возможен, когда каноническое имя уже занято другим файлом той же
+    папки: например, `spine_1.dcm` и `spine_01.dcm` лежат рядом. Тогда номер
+    сдвигается к ближайшему свободному, а не перезаписывает соседа. Имена
+    сравниваются без учёта регистра: файловые системы macOS и Windows
+    регистронезависимы, и `Spine_01` конфликтует с `spine_01`.
+    """
+    by_dir: Dict[Path, List[Path]] = {}
+    for path in files:
+        by_dir.setdefault(path.parent, []).append(path)
+
+    plan: List[Rename] = []
+    for directory, paths in sorted(by_dir.items()):
+        occupied = {p.name.lower() for p in paths}
+        assigned: Dict[str, Path] = {}
+
+        for path in sorted(paths, key=lambda p: p.name):
+            parsed = parse_stem(path.stem)
+            if parsed is None:
+                continue
+            region, number, label = parsed
+
+            def taken(name: str) -> bool:
+                key = name.lower()
+                if key == path.name.lower():
+                    return False
+                return key in occupied or (key in assigned and assigned[key] != path)
+
+            target_name = _format_name(region, number, label, path.suffix)
+            while taken(target_name):
+                number += 1
+                target_name = _format_name(region, number, label, path.suffix)
+
+            assigned[target_name.lower()] = path
+            if target_name != path.name:
+                plan.append(
+                    Rename(source=path, target=path.parent / target_name,
+                           reason=_reason(path.name, target_name))
+                )
+    return plan
+
+
+def _reason(old: str, new: str) -> str:
+    """Короткая причина правки — для читаемости плана и CSV."""
+    if old.lower() == new.lower():
+        return "регистр"
+    if "-" in old:
+        return "дефис вместо подчёркивания"
+    if "hop" in old.lower():
+        return "опечатка hop"
+    if re.match(r"^[rl]_spine", old):
+        return "порядок: сторона перед областью"
+    if re.match(r"^[a-z_]+[a-z]\d", old):
+        return "нет разделителя перед номером"
+    if not re.search(r"\d", old):
+        return "нет номера"
+    return "ширина номера"
+
+
+def write_mapping(plan: Sequence[Rename], path: str | Path) -> Path:
+    """Записать карту переименований (основа для отката)."""
+    out = Path(path)
+    out.parent.mkdir(parents=True, exist_ok=True)
+    with out.open("w", newline="", encoding="utf-8") as fh:
+        writer = csv.DictWriter(fh, fieldnames=list(_MAPPING_FIELDS))
+        writer.writeheader()
+        for item in plan:
+            writer.writerow(
+                {
+                    "old_path": str(item.source),
+                    "new_path": str(item.target),
+                    "old_name": item.source.name,
+                    "new_name": item.target.name,
+                    "reason": item.reason,
+                }
+            )
+    return out
+
+
+def apply_renames(plan: Sequence[Rename], dry_run: bool = True) -> int:
+    """
+    Выполнить переименования через временные имена.
+
+    Двухфазная схема нужна из-за цепочек (`A → B`, где `B` пока занят другим
+    файлом) и регистронезависимых файловых систем: сначала всё уводится в
+    уникальные временные имена, затем ставится на место.
+    """
+    changes = [item for item in plan if item.is_change]
+    if dry_run or not changes:
+        return 0
+
+    staged: List[Tuple[Path, Path]] = []
+    for index, item in enumerate(changes):
+        if not item.source.exists():
+            raise FileNotFoundError(f"Нет исходного файла: {item.source}")
+        temp = item.source.parent / f".__rename_tmp_{index}__"
+        os.rename(item.source, temp)
+        staged.append((temp, item.target))
+
+    for temp, target in staged:
+        if target.exists() and target.name.lower() != temp.name.lower():
+            raise FileExistsError(f"Целевое имя занято: {target}")
+        os.rename(temp, target)
+    return len(staged)
+
+
+def rollback(mapping_path: str | Path, dry_run: bool = True) -> int:
+    """
+    Вернуть прежние имена по карте переименований.
+
+    Возвращает число файлов, к которым вернётся прежнее имя: при `dry_run`
+    — сколько бы вернулось, иначе — сколько вернулось фактически.
+    """
+    with Path(mapping_path).open(newline="", encoding="utf-8") as fh:
+        rows = list(csv.DictReader(fh))
+    plan = [
+        Rename(source=Path(row["new_path"]), target=Path(row["old_path"]), reason="откат")
+        for row in rows
+    ]
+    if dry_run:
+        return sum(1 for item in plan if item.is_change)
+    return apply_renames(plan, dry_run=False)
+
+
+def main(argv: Iterable[str] | None = None) -> int:
+    logging.basicConfig(level=logging.INFO, format="%(levelname)s %(message)s")
+    parser = argparse.ArgumentParser(description="Приведение имён DICOM к единому виду")
+    parser.add_argument("--data-root", default="dataset_hack")
+    parser.add_argument("--mapping", default="labels/rename_map.csv")
+    parser.add_argument("--apply", action="store_true", help="Выполнить правку (по умолчанию только план)")
+    parser.add_argument("--dry-run", action="store_true", help="Только план; режим по умолчанию")
+    parser.add_argument("--rollback", action="store_true", help="Вернуть имена по карте и выйти")
+    parser.add_argument("--limit", type=int, default=0, help="Показать первые N строк плана (0 — все)")
+    args = parser.parse_args(list(argv) if argv is not None else None)
+
+    if args.rollback:
+        count = rollback(args.mapping, dry_run=not args.apply)
+        print(f"{'Откатано' if args.apply else 'Будет откатано'} файлов: {count}")
+        return 0
+
+    root = Path(args.data_root)
+    files = sorted(root.rglob("*.dcm"))
+    if not files:
+        logger.error("В %s не найдено ни одного .dcm", root)
+        return 1
+
+    plan = plan_renames(files)
+    skipped = [p for p in files if canonical_stem(p.stem) is None]
+
+    reasons: Dict[str, int] = {}
+    for item in plan:
+        reasons[item.reason] = reasons.get(item.reason, 0) + 1
+
+    print(f"Всего файлов:        {len(files)}")
+    print(f"Требуют правки:      {len(plan)}")
+    for reason, count in sorted(reasons.items(), key=lambda kv: -kv[1]):
+        print(f"  {count:5}  {reason}")
+    print(f"Без распознанной области (не тронуты): {len(skipped)}")
+    for path in skipped:
+        print(f"    {path}")
+
+    to_show = plan if not args.limit else plan[: args.limit]
+    print("\nПлан (было -> станет):")
+    for item in to_show:
+        print(f"  {item.source.parent.name[-12:]}/{item.source.name:22} -> {item.target.name:22} [{item.reason}]")
+    if args.limit and len(plan) > args.limit:
+        print(f"  ... и ещё {len(plan) - args.limit}")
+
+    if args.apply:
+        written = write_mapping(plan, args.mapping)
+        count = apply_renames(plan, dry_run=False)
+        logger.info("Переименовано файлов: %d", count)
+        logger.info("Карта для отката: %s", written)
+    else:
+        print("\nЭто план. Для выполнения: --apply (карта отката будет записана в "
+              f"{args.mapping})")
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())
diff --git a/src/dxa/render.py b/src/dxa/render.py
new file mode 100644
index 0000000..130a197
--- /dev/null
+++ b/src/dxa/render.py
@@ -0,0 +1,180 @@
+"""
+Рендер DICOM-снимков датасета в PNG и контактные листы для визуальной разметки.
+
+Модуль не участвует в обучении/инференсе. Он нужен, чтобы размечать датасет
+глазами: DXA-файлы датасета — 8-битные изображения 280–320 px, поэтому
+несколько десятков снимков помещаются на один лист и просматриваются разом.
+
+Нормализация та же, что при обучении (`PreprocessConfig`), чтобы эксперт видел
+ровно то, что увидит модель.
+"""
+from __future__ import annotations
+
+import argparse
+import math
+from pathlib import Path
+from typing import Iterable, List, Sequence
+
+import numpy as np
+from PIL import Image, ImageDraw
+
+from src.dxa.labels import ImageRecord, scan_dataset
+from src.dxa.preprocess import PreprocessConfig, load_dicom_array, normalize_array
+
+_PAD = 6
+_LABEL_H = 34
+_BG = (24, 24, 24)
+_FG = (235, 235, 235)
+
+
+def record_to_image(record: ImageRecord, cfg: PreprocessConfig, scale: int = 2) -> Image.Image:
+    """Прочитать снимок и вернуть нормализованное PNG-изображение RGBA."""
+    arr01 = normalize_array(load_dicom_array(record.path), cfg)
+    img = np.clip(arr01 * 255.0, 0, 255).astype(np.uint8)
+    pil = Image.fromarray(img).convert("RGB")
+    if scale != 1:
+        pil = pil.resize((pil.width * scale, pil.height * scale), Image.NEAREST)
+    return pil
+
+
+def _cell(record: ImageRecord, index: int, pill: Image.Image, cell_w: int, cell_h: int) -> Image.Image:
+    """Одна ячейка листа: изображение, глобальный номер и имя файла с хвостом study."""
+    canvas = Image.new("RGB", (cell_w, cell_h), _BG)
+    x = (cell_w - pill.width) // 2
+    y = _LABEL_H + (cell_h - _LABEL_H - pill.height) // 2
+    canvas.paste(pill, (max(x, 0), max(y, _LABEL_H)))
+
+    draw = ImageDraw.Draw(canvas)
+    draw.text((4, 3), f"#{index}", fill=_FG)
+    # Имена файлов повторяются между исследованиями, поэтому нужен хвост study_uid.
+    tag = f"{record.stem}~{record.study[-6:]}"
+    if len(tag) > 30:
+        tag = tag[:27] + "..."
+    draw.text((4, 17), f"{tag} [{record.region or '?'}]", fill=(150, 190, 240))
+    draw.rectangle([0, 0, cell_w - 1, cell_h - 1], outline=(70, 70, 70))
+    return canvas
+
+
+def contact_sheet(
+    records: Sequence[ImageRecord],
+    out_path: Path,
+    cfg: PreprocessConfig,
+    cols: int = 6,
+    scale: int = 2,
+    start_index: int = 0,
+) -> Path:
+    """Собрать лист из нескольких снимков; под каждым — глобальный номер и имя файла."""
+    if not records:
+        raise ValueError("contact_sheet requires at least one record")
+
+    pills = [record_to_image(r, cfg, scale) for r in records]
+    cell_w = max(p.width for p in pills) + _PAD * 2
+    cell_h = max(p.height for p in pills) + _LABEL_H + _PAD * 2
+    rows = math.ceil(len(records) / cols)
+
+    sheet = Image.new("RGB", (cell_w * cols, cell_h * rows), _BG)
+    for i, (record, pill) in enumerate(zip(records, pills)):
+        r, c = divmod(i, cols)
+        sheet.paste(_cell(record, start_index + i, pill, cell_w, cell_h), (c * cell_w, r * cell_h))
+
+    out_path.parent.mkdir(parents=True, exist_ok=True)
+    sheet.save(out_path)
+    return out_path
+
+
+def render_all(
+    data_root: str | Path,
+    out_dir: str | Path,
+    per_sheet: int = 36,
+    cols: int = 6,
+    scale: int = 2,
+) -> List[Path]:
+    """Отрендерить все уникальные снимки и нарезать их на контактные листы."""
+    cfg = PreprocessConfig()
+    out = Path(out_dir)
+    records = scan_dataset(data_root)
+    write_index(records, out / "index.csv")
+
+    singles = out / "images"
+    singles.mkdir(parents=True, exist_ok=True)
+    for i, rec in enumerate(records):
+        record_to_image(rec, cfg, scale).save(singles / f"{i:03d}_{rec.stem}_{rec.study[-6:]}.png")
+
+    sheets: List[Path] = []
+    for start in range(0, len(records), per_sheet):
+        chunk = records[start : start + per_sheet]
+        path = out / f"sheet_{start // per_sheet:02d}_{start:03d}-{start + len(chunk) - 1:03d}.png"
+        sheets.append(contact_sheet(chunk, path, cfg, cols=cols, scale=scale, start_index=start))
+    return sheets
+
+
+def contact_sheets_by_region(
+    data_root: str | Path,
+    out_dir: str | Path,
+    per_sheet: int = 36,
+    cols: int = 6,
+    scale: int = 2,
+) -> dict:
+    """Отдельные наборы листов по анатомическим областям, чтобы сравнивать похожее."""
+    cfg = PreprocessConfig()
+    out = Path(out_dir)
+    records = scan_dataset(data_root)
+    write_index(records, out / "index.csv")
+    index_of = {str(rec.path): i for i, rec in enumerate(records)}
+
+    groups: dict[str, list[ImageRecord]] = {}
+    for rec in records:
+        groups.setdefault(rec.region or "unknown", []).append(rec)
+
+    result = {}
+    for region, items in sorted(groups.items()):
+        for start in range(0, len(items), per_sheet):
+            chunk = items[start : start + per_sheet]
+            path = out / region / f"{region}_{start:03d}-{start + len(chunk) - 1:03d}.png"
+            contact_sheet(
+                chunk, path, cfg, cols=cols, scale=scale, start_index=index_of[str(chunk[0].path)]
+            )
+            result.setdefault(region, []).append(path)
+    return result
+
+
+def write_index(records: Sequence[ImageRecord], out_path: Path) -> Path:
+    """CSV-реестр: глобальный номер -> исследование, файл, область, метка из имени."""
+    import csv
+
+    out_path.parent.mkdir(parents=True, exist_ok=True)
+    with out_path.open("w", newline="", encoding="utf-8") as fh:
+        writer = csv.writer(fh)
+        # study_dir — имя каталога исследования, оно же ключ в разметка.xlsx;
+        # это не StudyInstanceUID из DICOM (они в датасете разные).
+        writer.writerow(["id", "study_dir", "path", "file", "region", "filename_marker"])
+        for i, rec in enumerate(records):
+            writer.writerow([i, rec.study, str(rec.path), rec.path.name, rec.region or "", rec.marker or ""])
+    return out_path
+
+
+def main(argv: Iterable[str] | None = None) -> None:
+    parser = argparse.ArgumentParser(description="Рендер DICOM датасета в PNG для визуальной разметки")
+    parser.add_argument("--data-root", default="dataset_hack")
+    parser.add_argument("--out", default="dataset_hack/_preview")
+    parser.add_argument("--per-sheet", type=int, default=36)
+    parser.add_argument("--cols", type=int, default=6)
+    parser.add_argument("--scale", type=int, default=2)
+    parser.add_argument("--by-region", action="store_true", help="листы отдельно по областям")
+    args = parser.parse_args(list(argv) if argv is not None else None)
+
+    if args.by_region:
+        result = contact_sheets_by_region(
+            args.data_root, args.out, args.per_sheet, args.cols, args.scale
+        )
+        for region, paths in result.items():
+            print(f"{region}: {len(paths)} sheet(s)")
+            for p in paths:
+                print(f"  {p}")
+    else:
+        for p in render_all(args.data_root, args.out, args.per_sheet, args.cols, args.scale):
+            print(p)
+
+
+if __name__ == "__main__":
+    main()
diff --git a/src/dxa/train.py b/src/dxa/train.py
index 63666fd..e80e8cd 100644
--- a/src/dxa/train.py
+++ b/src/dxa/train.py
@@ -4,16 +4,19 @@
 ================================================
 
 Модель решает бинарную задачу: годен снимок (0) или есть нарушение (1).
-Метки берутся из имён DICOM-файлов, где `_good`/`_bad` — экспертная оценка,
-а отсутствие суффикса означает «изображение хорошее» (см. `src/dxa/labels.py`).
+Метки берутся из `labels/labels_images.csv` — разметки, построенной из
+экспертной таблицы (правило `table`, 77 нарушений). Режим с метками из имён
+файлов (`_good`/`_bad`) сохранён через `--labels-csv ""`.
 
 Особенности, отличающие этот скрипт от прежней версии:
 
-1. **Метки из имён файлов.** Раньше метка бралась из Excel по исследованию и
-   раздавалась всем снимкам этого исследования; файлы с явной меткой (`_bad`)
-   при этом игнорировались либо, наоборот, не сопоставлялись со своими
-   дублями. Теперь источник метки — имя файла, а Excel используется только для
-   предупреждения о расхождениях.
+1. **Метки на уровне снимка.** Источник — `labels/labels_images.csv`,
+   построенный из экспертной таблицы (`./run.sh label`, см.
+   `src/dxa/excel_labels.py` и `docs/labeling.md`): оценка исследования
+   переносится на снимок области. Ручные пометки из имён файлов в метках не
+   участвуют — они оказались ненадёжными (расходились с экспертом в 15 случаях
+   из 252) и дали худшее качество на held-out наборе; см. §4 в `docs/labeling.md`.
+   Резервный режим `--labels-csv ""` берёт метку из суффикса `_good`/`_bad`.
 2. **Склейка дублей.** В датасете 544 файла, но всего 252 уникальных снимка:
    один и тот же кадр сохранён многократно под разными именами. Без склейки
    модель заучивала бы конкретные снимки как разные примеры.
@@ -54,8 +57,8 @@ from torch.utils.data import WeightedRandomSampler
 
 sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
 
-from src.dxa.dataset import DXADataset, make_datasets
-from src.dxa.labels import QUALITY_BAD, format_summary
+from src.dxa.dataset import DXADataset, build_records, make_datasets
+from src.dxa.labels import QUALITY_BAD, export_split, format_summary, load_split, split_by_studies
 from src.dxa.model import create_model, per_region_metrics, select_threshold
 from src.dxa.preprocess import PreprocessConfig
 
@@ -82,6 +85,27 @@ def set_seed(seed: int) -> None:
         torch.cuda.manual_seed_all(seed)
 
 
+def resolve_labels_csv(value: Optional[str]) -> Optional[Path]:
+    """
+    Путь к разметке на уровне снимков; None означает «метки из имён файлов».
+
+    Отсутствие файла не ошибка — режим по именам файлов остаётся доступным,
+    например в контейнере, куда каталог `labels/` не копируется. Но это
+    заслуживает предупреждения: иначе метрики молча изменятся вместе с
+    источником меток.
+    """
+    if not value:
+        return None
+    path = Path(value)
+    if not path.is_file():
+        logger.warning(
+            "Labels file %s not found; falling back to filename markers. Build it with `./run.sh label`",
+            path,
+        )
+        return None
+    return path
+
+
 def make_loader(
     dataset: DXADataset,
     batch_size: int,
@@ -176,6 +200,11 @@ def train(args: argparse.Namespace) -> Dict:
     output_dir.mkdir(parents=True, exist_ok=True)
 
     preprocess = PreprocessConfig(norm=args.norm, imagenet_norm=not args.no_imagenet_norm)
+    labels_csv = resolve_labels_csv(args.labels_csv)
+    val_studies = load_split(args.split_file) if args.split_file else None
+    logger.info("Labels source: %s", labels_csv or "filename markers")
+    if val_studies is not None:
+        logger.info("Fixed split from %s: %d studies", args.split_file, len(val_studies))
     logger.info("Loading dataset from %s", args.data_root)
     train_ds, val_ds, preprocess = make_datasets(
         data_root=args.data_root,
@@ -184,6 +213,8 @@ def train(args: argparse.Namespace) -> Dict:
         val_fraction=args.val_fraction,
         seed=args.seed,
         preprocess=preprocess,
+        labels_csv=labels_csv,
+        val_studies=val_studies,
     )
 
     if len(train_ds) == 0 or len(val_ds) == 0:
@@ -288,6 +319,10 @@ def train(args: argparse.Namespace) -> Dict:
                 selection_score=score,
                 epoch=epoch,
                 data_root=str(args.data_root),
+                # Источник меток и разбиение пишем в чекпоинт: иначе по файлу
+                # нельзя понять, на какой разметке он обучен.
+                labels_csv=str(labels_csv) if labels_csv else None,
+                split_file=args.split_file,
             )
             logger.info("  -> saved best checkpoint (smoothed auc %.4f, f1 %.4f, thr %.3f)",
                         score, best_f1, val_metrics["threshold_prob"])
@@ -320,6 +355,8 @@ def train(args: argparse.Namespace) -> Dict:
         "backbone": args.backbone,
         "device": device,
         "preprocess": preprocess.to_dict(),
+        "labels_csv": str(labels_csv) if labels_csv else None,
+        "split_file": args.split_file,
         "seed": args.seed,
         "balance": args.balance,
         "pos_weight": pos_weight,
@@ -373,6 +410,7 @@ def _write_markdown_report(path: Path, report: Dict) -> None:
         "",
         f"- Backbone: `{report['backbone']}`",
         f"- Устройство: `{report['device']}`",
+        f"- Источник меток: `{report.get('labels_csv') or 'имена файлов (_good/_bad)'}`",
         f"- Seed: {report['seed']}, балансировка классов: `{report['balance']}`",
         f"- Размер выборок: train {report['train_size']} снимков / {report['train_studies']} исследований, "
         f"val {report['val_size']} снимков / {report['val_studies']} исследований (разбиение по исследованиям)",
@@ -446,6 +484,12 @@ def build_parser() -> argparse.ArgumentParser:
                       help="Каталог датасета (dataset_hack, НД_для_обучения или каталог с DICOM)")
     data.add_argument("--annotation-path", default="dataset_hack/НД_для_обучения/разметка.xlsx",
                       help="Excel-разметка; применяется только для отчёта о расхождениях")
+    data.add_argument("--labels-csv", default="labels/labels_images.csv",
+                      help="Разметка на уровне снимков из `./run.sh label`. Пустая строка — "
+                           "брать метки из имён файлов (устаревший режим)")
+    data.add_argument("--split-file", default=None,
+                      help="Файл зафиксированного разбиения (`--export-split`). Нужен, чтобы "
+                           "сравнивать варианты разметки на одном held-out наборе")
     data.add_argument("--input-size", type=int, default=224)
     data.add_argument("--val-fraction", type=float, default=0.2,
                       help="Доля изображений в валидации (разбиение по исследованиям)")
@@ -493,6 +537,9 @@ def build_parser() -> argparse.ArgumentParser:
 
     parser.add_argument("--dry-run", action="store_true",
                         help="Только проверить разбор данных и разбиение, без обучения")
+    parser.add_argument("--export-split", default=None,
+                        help="Записать разбиение по текущим данным и меткам в файл и выйти. "
+                             "Файл затем передаётся в --split-file для сравнения вариантов")
     return parser
 
 
@@ -500,8 +547,26 @@ def main(argv: Optional[List[str]] = None) -> int:
     logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s")
     args = build_parser().parse_args(argv)
 
+    if args.export_split:
+        set_seed(args.seed)
+        labels_csv = resolve_labels_csv(args.labels_csv)
+        records = build_records(args.data_root, args.annotation_path, labels_csv=labels_csv)
+        path = export_split(
+            records, args.export_split, val_fraction=args.val_fraction, seed=args.seed
+        )
+        _, val_records = split_by_studies(records, load_split(path))
+        print(f"Labels source: {labels_csv or 'filename markers (_good/_bad)'}")
+        print(f"Split written: {path} ({len({r.study for r in val_records})} val studies)")
+        print("\nVal split:\n" + format_summary(val_records))
+        return 0
+
     if args.dry_run:
         set_seed(args.seed)
+        labels_csv = resolve_labels_csv(args.labels_csv)
+        val_studies = load_split(args.split_file) if args.split_file else None
+        print(f"Labels source: {labels_csv or 'filename markers (_good/_bad)'}")
+        if val_studies is not None:
+            print(f"Fixed split: {args.split_file} ({len(val_studies)} val studies)")
         train_ds, val_ds, cfg = make_datasets(
             data_root=args.data_root,
             annotation_path=args.annotation_path,
@@ -509,6 +574,8 @@ def main(argv: Optional[List[str]] = None) -> int:
             val_fraction=args.val_fraction,
             seed=args.seed,
             preprocess=PreprocessConfig(norm=args.norm),
+            labels_csv=labels_csv,
+            val_studies=val_studies,
         )
         print(f"Preprocess: {cfg.to_dict()}")
         print("\nTrain split:\n" + format_summary(train_ds.records))
diff --git a/src/dxa/violations.py b/src/dxa/violations.py
new file mode 100644
index 0000000..b58f417
--- /dev/null
+++ b/src/dxa/violations.py
@@ -0,0 +1,178 @@
+"""
+Единый словарь типов нарушений качества DXA.
+
+Источники кодов — два документа задания:
+
+* экспертная таблица `разметка.xlsx`: укладка, ось, артефакты (позвоночник);
+  позиционирование/ротация и область интереса (бёдра) — `TABLE_TYPES`;
+* condition_doctor.txt: движение/размытие, неполнота анатомии, ошибка разметки
+  позвонков — `MOTION`, `INCOMPLETE_ANATOMY`, `LABELING_ERROR`.
+
+Зачем отдельный модуль. Раньше словарь был свой в трёх местах: `inference.py`
+отдавал `artifact_motion` и `quality_violation_detected`, `main.py` переводил
+`roi_error` и `incomplete_view` в коды DICOM SR, а веб-интерфейс держал третью
+копию подписей. Ни один из них не знал кодов экспертной таблицы, поэтому тип
+нарушения в интерфейсе и в выгрузке не совпадал с тем, что кодирует таблица.
+Теперь коды, русские подписи и пояснения заданы здесь, а `canon_type` приводит к
+ним устаревшие значения внешних источников.
+"""
+from __future__ import annotations
+
+from typing import Dict, List, Optional, Tuple
+
+# --- Коды -----------------------------------------------------------------
+POSITIONING = "positioning"          # некорректная укладка (позвоночник)
+AXIS_DEVIATION = "axis_deviation"    # отклонение оси, сколиоз
+ARTIFACT = "artifact"                # артефакты, импланты, наложения
+ROTATION = "rotation"                # ротация/позиционирование бедра
+ROI_INCORRECT = "roi_incorrect"      # некорректная область интереса
+MOTION = "motion"                    # движение, размытие
+INCOMPLETE_ANATOMY = "incomplete_anatomy"  # нужная анатомия видна не полностью
+LABELING_ERROR = "labeling_error"    # ошибка разметки позвонков
+UNSPECIFIED = "unspecified"          # нарушение без указания критерия
+
+#: Подмножество, которое кодирует экспертная таблица `разметка.xlsx`.
+TABLE_TYPES: Tuple[str, ...] = (
+    POSITIONING,
+    AXIS_DEVIATION,
+    ARTIFACT,
+    ROTATION,
+    ROI_INCORRECT,
+)
+
+#: Все коды, которые может вернуть решение (таблица + критерии condition_doctor).
+VIOLATION_TYPES: Tuple[str, ...] = TABLE_TYPES + (
+    MOTION,
+    INCOMPLETE_ANATOMY,
+    LABELING_ERROR,
+    UNSPECIFIED,
+)
+
+#: Подпись для интерфейса и отчётов.
+VIOLATION_LABELS: Dict[str, str] = {
+    POSITIONING: "Некорректная укладка",
+    AXIS_DEVIATION: "Отклонение оси",
+    ARTIFACT: "Артефакты и импланты",
+    ROTATION: "Ротация / позиционирование",
+    ROI_INCORRECT: "Некорректная область интереса",
+    MOTION: "Движение, размытие",
+    INCOMPLETE_ANATOMY: "Анатомия видна не полностью",
+    LABELING_ERROR: "Ошибка разметки",
+    UNSPECIFIED: "Нарушение без уточнения",
+}
+
+#: Пояснение, чем именно нарушение плохо для дальнейшего анализа.
+VIOLATION_NOTES: Dict[str, str] = {
+    POSITIONING: "Укладка не по стандарту: на нижнем уровне не видны верхние края "
+                 "подвздошных костей или верхний уровень не соответствует половине тела Th12.",
+    AXIS_DEVIATION: "Ось позвоночника отклонена (сколиоз, перекос): измерение плотности "
+                    "смещается относительно тел позвонков.",
+    ARTIFACT: "Посторонние объекты или дефект изображения в зоне интереса: импланты, "
+              "фиксаторы, металл, контраст, наложения, локальные затемнения.",
+    ROTATION: "Ротация конечности не соответствует норме (≈15–20° внутрь): малый вертел "
+              "виден слишком хорошо, шейка бедра выглядит укороченной.",
+    ROI_INCORRECT: "Границы области интереса не совпадают с анатомией: захвачена соседняя "
+                   "кость или мягкие ткани, часть кости пропущена.",
+    MOTION: "Размытие или раздвоение контуров: устойчивую границу кости провести нельзя.",
+    INCOMPLETE_ANATOMY: "Нужная область видна не полностью: шейка бедра, проксимальный отдел "
+                        "или позвонки обрезаны либо закрыты.",
+    LABELING_ERROR: "Метки уровней не соответствуют анатомии: пропущенный позвонок, двойная "
+                    "метка, смещение на соседний уровень.",
+    UNSPECIFIED: "Нарушение зафиксировано, но источник не указывает конкретный критерий.",
+}
+
+#: Область, к которой относится код (для фильтрации в интерфейсе).
+VIOLATION_SCOPE: Dict[str, str] = {
+    POSITIONING: "spine",
+    AXIS_DEVIATION: "spine",
+    ARTIFACT: "any",
+    ROTATION: "hip",
+    ROI_INCORRECT: "any",
+    MOTION: "any",
+    INCOMPLETE_ANATOMY: "any",
+    LABELING_ERROR: "spine",
+    UNSPECIFIED: "any",
+}
+
+#: Условные локальные коды для текстового отчёта DICOM SR. Полноценного
+#: справочника SNOMED/DICOM для контролёра качества DXA в наборе нет, поэтому
+#: коды условные; рядом всегда идёт текстовая формулировка.
+VIOLATION_SR_CODES: Dict[str, Tuple[str, str]] = {
+    POSITIONING: ("123456", "Positioning deviation"),
+    MOTION: ("234567", "Motion artifact"),
+    ARTIFACT: ("234568", "Foreign object artifact"),
+    LABELING_ERROR: ("345678", "Labeling error"),
+    INCOMPLETE_ANATOMY: ("456789", "Incomplete anatomy"),
+    ROI_INCORRECT: ("567890", "Region of interest mismatch"),
+    ROTATION: ("678901", "Rotational misalignment"),
+    AXIS_DEVIATION: ("678902", "Axis deviation"),
+    UNSPECIFIED: ("999001", "Image quality violation"),
+}
+
+#: Код отчёта для пригодного снимка (нарушения нет).
+ACCEPTABLE_SR_CODE: Tuple[str, str] = ("113001", "DXA image quality acceptable")
+
+#: Значения внешних источников, приведённые к канону.
+LEGACY_ALIASES: Dict[str, str] = {
+    "artifact_motion": MOTION,
+    "artifact_other": ARTIFACT,
+    "quality_violation_detected": UNSPECIFIED,
+    "roi_error": ROI_INCORRECT,
+    "position_error": POSITIONING,
+    "incomplete_view": INCOMPLETE_ANATOMY,
+    "labeling_error": LABELING_ERROR,
+    "correct": "",
+    "none": "",
+    "": "",
+}
+
+
+def canon_type(value: Optional[str]) -> str:
+    """Привести значение типа нарушения к каноническому коду (или пустой строке)."""
+    if value is None:
+        return ""
+    key = str(value).strip().lower()
+    if key in LEGACY_ALIASES:
+        return LEGACY_ALIASES[key]
+    return key if key in VIOLATION_TYPES else UNSPECIFIED if key else ""
+
+
+def label(value: Optional[str], empty: str = "Корректно") -> str:
+    """Человекочитаемая подпись кода; для пустого значения — `empty`."""
+    code = canon_type(value)
+    if not code:
+        return empty
+    return VIOLATION_LABELS.get(code, code)
+
+
+def reason(value: Optional[str]) -> str:
+    """Пояснение кода; для неизвестного — пояснение категории `unspecified`."""
+    code = canon_type(value)
+    if not code:
+        return ""
+    return VIOLATION_NOTES.get(code, VIOLATION_NOTES[UNSPECIFIED])
+
+
+def sr_code(value: Optional[str]) -> Tuple[str, str, str]:
+    """Условный код, формулировка и флаг завершения для отчёта DICOM SR."""
+    code = canon_type(value)
+    if not code:
+        return (*ACCEPTABLE_SR_CODE, "FINAL")
+    numeric, english = VIOLATION_SR_CODES.get(code, VIOLATION_SR_CODES[UNSPECIFIED])
+    return numeric, english, "WARNING"
+
+
+def catalogue() -> List[Dict[str, str]]:
+    """Список типов нарушений для API и интерфейса (порядок — как в `VIOLATION_TYPES`)."""
+    return [
+        {
+            "code": code,
+            "label": VIOLATION_LABELS.get(code, code),
+            "note": VIOLATION_NOTES.get(code, ""),
+            "scope": VIOLATION_SCOPE.get(code, "any"),
+            "source": "expert_table" if code in TABLE_TYPES else (
+                "condition_doctor" if code != UNSPECIFIED else "system"
+            ),
+        }
+        for code in VIOLATION_TYPES
+    ]
diff --git a/src/main.py b/src/main.py
index af5e63a..39f4c88 100644
--- a/src/main.py
+++ b/src/main.py
@@ -22,6 +22,7 @@ FastAPI сервер для оценки качества DXA исследова
 """
 import os
 import time
+from datetime import datetime
 from fastapi import FastAPI, File, UploadFile, Query
 from fastapi.staticfiles import StaticFiles
 from pathlib import Path
@@ -42,7 +43,9 @@ from src.dxa.inference import (
     mask_png_base64,
     predict_from_bytes,
 )
+from src.dxa.model_card import model_card
 from src.dxa.preprocess import load_array_from_bytes
+from src.dxa.violations import canon_type, label as violation_label, sr_code
 from src.utils.utils import get_device
 from src.quality.quality_scorer import convert_to_serializable
 
@@ -66,6 +69,7 @@ MODEL_PATH = os.environ.get("DXA_MODEL_PATH", "models/dxa_model.pth")
 dxa_model = None
 dxa_preprocess = None
 dxa_threshold = 0.0
+dxa_metadata: Dict = {}
 device = None
 
 
@@ -75,12 +79,14 @@ def load_model():
 
     Модель загружается глобально при первом запросе и сохраняется в памяти.
     Путь к чекпоинту берётся из переменной окружения DXA_MODEL_PATH, чтобы
-    контейнер не зависел от текущего рабочего каталога.
+    контейнер не зависел от текущего рабочего каталога. Метаданные чекпоинта
+    сохраняются: они содержат источник разметки, разбиение и валидационные
+    метрики, которые отдаёт `/api/v1/health` и `/api/v1/model`.
 
     Returns:
         DXAQualityModel: Обученная модель или None при ошибке
     """
-    global dxa_model, dxa_preprocess, dxa_threshold, device
+    global dxa_model, dxa_preprocess, dxa_threshold, dxa_metadata, device
 
     if dxa_model is None:
         device = get_device()
@@ -91,6 +97,7 @@ def load_model():
             dxa_model = checkpoint.model
             dxa_preprocess = checkpoint.preprocess
             dxa_threshold = checkpoint.threshold
+            dxa_metadata = dict(checkpoint.metadata or {})
             print(
                 f"DXA model loaded successfully (threshold logit={dxa_threshold:.4f}, "
                 f"input={dxa_preprocess.input_size}, preprocess={dxa_preprocess.to_dict()})"
@@ -102,6 +109,41 @@ def load_model():
     return dxa_model
 
 
+def loaded_model_info() -> Dict:
+    """
+    Сведения о фактически загруженном чекпоинте.
+
+    Отдаётся отдельно от карточки модели: карточка описывает решение в целом
+    (в том числе результаты экспериментов), а здесь — что именно сейчас в
+    памяти, включая путь и объём файла. Расхождение этих данных означает, что
+    работающий чекпоинт отличается от описанного в карточке.
+    """
+    path = Path(MODEL_PATH)
+    info: Dict = {
+        "path": str(path),
+        "exists": path.is_file(),
+        "loaded": dxa_model is not None,
+        "backbone": dxa_metadata.get("backbone"),
+        "head": dxa_metadata.get("head"),
+        "epoch": dxa_metadata.get("epoch"),
+        "threshold_logit": round(float(dxa_threshold), 6),
+        "threshold_probability": round(
+            float(torch.sigmoid(torch.tensor(float(dxa_threshold)))), 4
+        ),
+        "labels_csv": dxa_metadata.get("labels_csv"),
+        "split_file": dxa_metadata.get("split_file"),
+        "val_metrics": {
+            k: v for k, v in (dxa_metadata.get("val_metrics") or {}).items()
+            if k in ("roc_auc", "pr_auc", "f1", "recall", "precision", "n", "n_pos")
+        },
+    }
+    if path.is_file():
+        info["checkpoint_mtime"] = datetime.fromtimestamp(path.stat().st_mtime).isoformat(
+            timespec="seconds"
+        )
+    return info
+
+
 def preprocess_dicom(dcm_bytes: bytes, input_size: int = 224):
     """
     Предобработка DICOM изображения для модели.
@@ -160,6 +202,11 @@ def prediction_to_result(prediction, ds, filename: Optional[str] = None) -> dict
     """
     prob = float(prediction.prob)
     is_violation = prediction.quality_class == 1
+    # Тип нарушения приходит от эвристики по метрикам, а не от модели: модель
+    # решает только бинарную задачу. Код приводится к единому словарю
+    # (`src.dxa.violations`), а в ответе это помечено явно, чтобы интерфейс не
+    # показывал предположение как заключение.
+    violation_code = canon_type(prediction.violation_type)
 
     result = {
         "study_uid": str(getattr(ds, "StudyInstanceUID", "") or ""),
@@ -167,7 +214,14 @@ def prediction_to_result(prediction, ds, filename: Optional[str] = None) -> dict
         "anatomical_region": prediction.anatomical_region,
         "quality_class": prediction.quality_class,
         "quality_label": "Есть нарушение качества" if is_violation else "Качественное изображение",
-        "violation_type": prediction.violation_type,
+        "violation_type": violation_code,
+        "violation_type_label": violation_label(violation_code, empty=""),
+        "violation_type_is_heuristic": bool(violation_code),
+        "violation_type_note": (
+            "Тип нарушения определён эвристикой по метрикам снимка, а не моделью: модель "
+            "решает только бинарную задачу «пригоден / есть нарушение». На этом наборе "
+            "эвристика чаще всего даёт общую категорию «нарушение без уточнения»."
+        ) if violation_code else "",
         "reason": prediction.violation_reason,
         "confidence": round(prob, 4),
         "confidence_per_class": {
@@ -218,15 +272,41 @@ async def root():
 
 @app.get("/api/v1/health")
 async def health_check():
-    """Health check"""
+    """
+    Статус сервиса и сведения о загруженной модели.
+
+    Кроме флага загрузки отдаётся происхождение чекпоинта: на какой разметке он
+    обучен, какое разбиение использовано и с каким порогом принимается решение.
+    Без этого по интерфейсу нельзя было понять, какая версия модели работает.
+    """
     model = load_model()
     return {
         "status": "ok",
         "model_loaded": model is not None,
-        "device": str(device) if device else "unknown"
+        "device": str(device) if device else "unknown",
+        "model": loaded_model_info(),
     }
 
 
+@app.get("/api/v1/model")
+async def get_model_card():
+    """
+    Карточка решения: разметка, данные, метрики сравнения, словарь нарушений.
+
+    Источник данных — `src/dxa/model_card.py`. Метрики сравнения приведены
+    средним по пяти seed'ам с 95 % доверительным интервалом, а честность оценки
+    рабочего чекпоинта оговорена явно.
+
+    `load_model()` вызывается здесь намеренно: блок `loaded` берётся из метаданных
+    чекпоинта, и без загрузки первый запрос к только что поднятому сервису вернул
+    бы пустые метрики.
+    """
+    load_model()
+    card = model_card()
+    card["loaded"] = loaded_model_info()
+    return convert_to_serializable(card)
+
+
 @app.post("/api/v1/analyze")
 async def analyze_dicom(file: UploadFile = File(...)):
     """Analyze single DICOM file"""
@@ -470,18 +550,11 @@ async def analyze_dicom_sr(file: UploadFile = File(...)):
             return JSONResponse(status_code=500, content={"error": "Model not loaded"})
 
         quality_report = prediction_to_result(prediction, ds)
-        snomed_map = {
-            "artifact_motion": ("Motion artifact", "WARNING"),
-            "artifact_other": ("Foreign object artifact", "WARNING"),
-            "rotation": ("Rotational misalignment", "WARNING"),
-            "roi_error": ("Region of interest mismatch", "WARNING"),
-            "incomplete_view": ("Incomplete anatomy", "WARNING"),
-            "position_error": ("Positioning deviation", "WARNING"),
-        }
-        label, completion = snomed_map.get(
-            prediction.violation_type, ("DXA image quality acceptable", "FINAL")
-        )
-        quality_report["violation_label"] = label
+        # Код, формулировка и флаг завершения берутся из единого словаря типов
+        # нарушений — раньше здесь была третья копия соответствий.
+        code, english_label, completion = sr_code(quality_report["violation_type"])
+        quality_report["violation_code"] = code
+        quality_report["violation_label"] = english_label
         quality_report["completion"] = completion
 
         sr_content = generate_dicom_sr_text(
@@ -524,31 +597,14 @@ def generate_dicom_sr_text(study_uid: str, image_uid: str, quality_report: Dict)
         study_uid: StudyInstanceUID из DICOM
         image_uid: SOPInstanceUID из DICOM
         quality_report: Результат generate_quality_report()
-    
+
     Returns:
         str: Текстовое представление SR отчета
     """
-    
-    # Соответствие типа нарушения коду отчёта. Коды условные (локальные), так
-    # как полноценного справочника SNOMED/DICOM для контролёра качества DXA в
-    # наборе нет; текстовая формулировка приводится рядом.
-    violation_code_map = {
-        "": ("113001", "DXA image quality acceptable", "FINAL"),
-        "position_error": ("123456", "Positioning deviation", "WARNING"),
-        "artifact_motion": ("234567", "Motion artifact", "WARNING"),
-        "artifact_other": ("234568", "Other artifact", "WARNING"),
-        "labeling_error": ("345678", "Labeling error", "WARNING"),
-        "incomplete_view": ("456789", "Incomplete anatomy", "WARNING"),
-        "roi_error": ("567890", "Region of interest mismatch", "WARNING"),
-        "rotation": ("678901", "Rotational misalignment", "WARNING"),
-        "quality_violation_detected": ("999001", "Image quality violation", "WARNING"),
-    }
+    # Коды и формулировки — из единого словаря типов нарушений
+    # (`src.dxa.violations`); здесь только раскладка отчёта.
+    code, label, completion = sr_code(quality_report.get("violation_type"))
 
-    violation_type = (quality_report.get("violation_type") or "").strip()
-    code, label, completion = violation_code_map.get(
-        violation_type, ("999999", "Unknown finding", "UNKNOWN")
-    )
-    
     sr_lines = [
         "DICOM Structured Report - DXA Quality Assessment",
         "=" * 50,
diff --git a/tests/browser/ui_check.js b/tests/browser/ui_check.js
index 2fccbfc..f8a5bb2 100644
--- a/tests/browser/ui_check.js
+++ b/tests/browser/ui_check.js
@@ -43,9 +43,9 @@ const { chromium } = require(resolvePlaywright());
 const BASE = process.env.BASE_URL || 'http://127.0.0.1:8123';
 const REPO = path.resolve(__dirname, '..', '..');
 const FILES = [
-  path.join(REPO, 'dataset_hack/Для теста/spine.dcm'),
-  path.join(REPO, 'dataset_hack/Для теста/l_hip.dcm'),
-  path.join(REPO, 'dataset_hack/Для теста/r_hip.dcm'),
+  path.join(REPO, 'dataset_hack/Для теста/spine_01.dcm'),
+  path.join(REPO, 'dataset_hack/Для теста/l_hip_01.dcm'),
+  path.join(REPO, 'dataset_hack/Для теста/r_hip_01.dcm'),
 ];
 
 async function panelState(page) {
@@ -106,9 +106,67 @@ async function panelState(page) {
     total: document.getElementById('totalCount').innerText,
     ok: document.getElementById('okCount').innerText,
     violation: document.getElementById('violationCount').innerText,
-    avg: document.getElementById('accuracy').innerText,
+    avg: document.getElementById('meanConfidence').innerText,
   })));
 
+  // Подсказка о кликабельности строк: пользователи не догадывались, что по
+  // строке можно нажать, поэтому она должна быть видна и содержать инструкцию.
+  const hint = await page.evaluate(() => {
+    const el = document.getElementById('tableHint');
+    return {
+      visible: el && !el.classList.contains('hidden') && el.offsetHeight > 0,
+      text: el ? el.innerText.replace(/\s+/g, ' ').trim() : '',
+      openButtons: document.querySelectorAll('#resultsTable button').length,
+    };
+  });
+  console.log('hint:', hint);
+  if (!hint.visible) throw new Error('подсказка о кликабельности строк не видна');
+  if (!/нажмите на/i.test(hint.text)) throw new Error('в подсказке нет инструкции нажать на строку');
+  if (hint.openButtons !== 3) throw new Error(`кнопок «Открыть» в строках: ${hint.openButtons}, ожидалось 3`);
+
+  // Кнопка «Открыть» в строке должна открывать панель деталей так же, как клик.
+  // Проверяем до сценария с кликом по строке, чтобы не мешать его подсчётам.
+  await page.locator('#resultsTable tr').first().locator('button').click();
+  await page.waitForSelector('#detailSection:not(.hidden)', { timeout: 15000 });
+  console.log('кнопка «Открыть» открыла панель деталей: да');
+  await page.locator('#closeDetail').click();
+
+  // Пустой фильтр: подсказка о кликабельности не должна висеть над «Нет результатов».
+  await page.fill('#searchInput', 'заведомо-нет-такого-файла');
+  await page.waitForSelector('#emptyResults:not(.hidden)', { timeout: 10000 });
+  const emptyState = await page.evaluate(() => ({
+    hintHidden: document.getElementById('tableHint').classList.contains('hidden'),
+    rows: document.querySelectorAll('#resultsTable tr').length,
+  }));
+  console.log('пустой фильтр:', emptyState);
+  if (!emptyState.hintHidden) throw new Error('подсказка осталась видимой при пустом результате');
+  await page.fill('#searchInput', '');
+  await page.waitForFunction(
+    () => document.querySelectorAll('#resultsTable tr').length === 3,
+    { timeout: 10000 }
+  );
+
+  // Панель «О модели»: происхождение модели, метрики с интервалами и словарь
+  // типов нарушений приходят с /api/v1/model, поэтому проверяем, что раздел
+  // действительно наполняется, а не остаётся пустым каркасом.
+  await page.locator('#modelInfoToggle').click();
+  await page.waitForSelector('#modelMetrics table', { timeout: 15000 });
+  const modelPanel = await page.evaluate(() => ({
+    summary: document.getElementById('modelSummary').innerText.replace(/\s+/g, ' ').slice(0, 200),
+    metricRows: document.querySelectorAll('#modelMetrics tbody tr').length,
+    violationRows: document.querySelectorAll('#modelViolations tbody tr').length,
+    limitationItems: document.querySelectorAll('#modelLimitations li').length,
+    datasetCards: document.querySelectorAll('#modelDataset > div').length,
+  }));
+  console.log('model panel:', modelPanel);
+  if (modelPanel.metricRows < 3) {
+    throw new Error(`панель «О модели»: ожидалось >=3 строк метрик, получено ${modelPanel.metricRows}`);
+  }
+  if (modelPanel.violationRows < 5) {
+    throw new Error(`панель «О модели»: ожидалось >=5 типов нарушений, получено ${modelPanel.violationRows}`);
+  }
+  await page.locator('#modelInfoToggle').click();
+
   const shots = [];
   const states = [];
   for (const idx of [0, 1, 2]) {
diff --git a/tests/browser/ui_offline.js b/tests/browser/ui_offline.js
index 5d31c17..89ac53b 100644
--- a/tests/browser/ui_offline.js
+++ b/tests/browser/ui_offline.js
@@ -32,7 +32,7 @@ const { chromium } = require(resolvePlaywright());
 
 const BASE = process.env.BASE_URL || 'http://127.0.0.1:8123';
 const REPO = path.resolve(__dirname, '..', '..');
-const FILE = path.join(REPO, 'dataset_hack/Для теста/spine.dcm');
+const FILE = path.join(REPO, 'dataset_hack/Для теста/spine_01.dcm');
 
 (async () => {
   const userDataDir = fs.mkdtempSync(path.join(os.tmpdir(), 'dxa-offline-'));
diff --git a/tests/test_api_contract.py b/tests/test_api_contract.py
index d5621a8..13354ba 100644
--- a/tests/test_api_contract.py
+++ b/tests/test_api_contract.py
@@ -28,6 +28,7 @@ needs_assets = pytest.mark.skipif(
 # Поля, которые панель деталей читает напрямую из ответа.
 DETAIL_TOP_LEVEL = [
     "anatomical_region", "quality_class", "quality_label", "violation_type",
+    "violation_type_label", "violation_type_is_heuristic", "violation_type_note",
     "reason", "confidence", "confidence_per_class", "threshold_probability",
     "region_confidence", "overall_quality", "severity", "metrics",
     "view_quality", "reasons", "metrics_note",
@@ -160,6 +161,154 @@ class TestDetailedContract:
         for name, data in payloads:
             assert "не калиброваны" in data["metrics_note"], name
 
+    def test_violation_type_comes_from_canonical_dictionary(self, payloads):
+        """
+        Тип нарушения — код из единого словаря, а подпись — из него же.
+
+        Раньше интерфейс держал собственную таблицу подписей, и коды экспертной
+        таблицы (`artifact`, `roi_incorrect`, `positioning`) показывались как
+        есть. Тест фиксирует, что сервер отдаёт канонический код и подпись.
+        """
+        from src.dxa.violations import VIOLATION_LABELS, VIOLATION_TYPES
+
+        for name, data in payloads:
+            code = data["violation_type"]
+            assert code == "" or code in VIOLATION_TYPES, f"{name}: unknown code {code}"
+            if code:
+                assert data["violation_type_label"] == VIOLATION_LABELS[code], name
+                assert data["violation_type_is_heuristic"] is True, name
+                assert "эвристик" in data["violation_type_note"], name
+            else:
+                assert data["violation_type_label"] == "", name
+                assert data["violation_type_is_heuristic"] is False, name
+                assert data["violation_type_note"] == "", name
+
+    def test_violation_type_matches_quality_class(self, payloads):
+        for name, data in payloads:
+            if data["quality_class"] == 0:
+                assert data["violation_type"] == "", name
+            else:
+                assert data["violation_type"] != "", name
+
+
+@needs_assets
+class TestHealthAndModelCard:
+    """`/health` и `/api/v1/model` — источник сведений о модели для интерфейса."""
+
+    def test_health_reports_model_provenance(self, client):
+        data = client.get("/api/v1/health").json()
+        assert data["status"] == "ok" and data["model_loaded"] is True
+        model = data["model"]
+        assert model["loaded"] is True and model["exists"] is True
+        for key in ("path", "backbone", "head", "epoch", "threshold_logit",
+                    "threshold_probability", "labels_csv", "val_metrics"):
+            assert key in model, f"health.model missing {key}"
+        # Разметка из экспертной таблицы — то, на чём обучен рабочий чекпоинт.
+        assert model["labels_csv"] == "labels/labels_images.csv"
+        assert 0.0 < model["threshold_probability"] < 1.0
+        assert 0.0 <= model["val_metrics"]["roc_auc"] <= 1.0
+
+    def test_model_card_covers_canonical_dictionary(self, client):
+        from src.dxa.violations import VIOLATION_TYPES
+
+        card = client.get("/api/v1/model").json()
+        codes = [v["code"] for v in card["violations"]]
+        assert codes == list(VIOLATION_TYPES)
+        for entry in card["violations"]:
+            assert entry["label"] and entry["note"]
+            assert entry["scope"] in ("spine", "hip", "any")
+            assert entry["source"] in ("expert_table", "condition_doctor", "system")
+
+    def test_model_card_metrics_are_intervals(self, client):
+        card = client.get("/api/v1/model").json()
+        cmp = card["comparison"]
+        for metric, variants in cmp["metrics"].items():
+            for name, triple in variants.items():
+                assert len(triple) == 3, f"{metric}/{name} is not [value, lo, hi]"
+                assert triple[1] <= triple[0] <= triple[2], f"{metric}/{name} CI inverted"
+        for metric, triple in cmp["paired_delta_table_minus_union"].items():
+            assert triple[1] <= triple[0] <= triple[2], f"delta {metric} CI inverted"
+
+    def test_model_card_reports_label_rule(self, client):
+        card = client.get("/api/v1/model").json()
+        assert card["model"]["label_rule"] == "table"
+        assert "экспертной таблицы" in card["labels"]["rule"]
+        # Правило выбиралось измерением: в карточке должно быть и решение, и основание.
+        assert card["comparison"]["decision"]
+        assert card["comparison"]["paired_wins"]
+
+    def test_model_card_explains_deployed_metrics(self, client):
+        card = client.get("/api/v1/model").json()
+        caveat = card["model"]["caveat"]
+        # Чекпоинт — обычный прогон, а не лучший из выборки; честная оценка рядом.
+        assert "seed по умолчанию" in caveat
+        assert card["model"]["val_roc_auc"] == pytest.approx(
+            card["comparison"]["metrics"]["roc_auc"]["table"][0], abs=0.02
+        )
+
+    def test_model_card_loads_model_on_cold_start(self, client):
+        """
+        Первый же запрос к сервису должен отдавать полную карточку.
+
+        Блок `loaded` берётся из метаданных чекпоинта, поэтому эндпоинт обязан
+        сам инициировать загрузку модели. Здесь состояние сбрасывается, чтобы
+        воспроизвести холодный старт независимо от порядка тестов.
+        """
+        import src.main as main
+
+        saved = (main.dxa_model, main.dxa_preprocess, main.dxa_threshold, main.dxa_metadata)
+        try:
+            main.dxa_model = None
+            main.dxa_metadata = {}
+            card = client.get("/api/v1/model").json()
+            assert card["loaded"]["loaded"] is True
+            assert card["loaded"]["val_metrics"], "метрики чекпоинта пусты после холодного старта"
+            assert card["loaded"]["val_metrics"]["roc_auc"] > 0.5
+        finally:
+            main.dxa_model, main.dxa_preprocess, main.dxa_threshold, main.dxa_metadata = saved
+
+    def test_frontend_reads_only_existing_card_fields(self, client):
+        """
+        Фронтенд не должен обращаться к полям карточки, которых в ней нет.
+
+        Такой рассинхрон уже случался: ключи в карточке переименовали, а в
+        `dxa-app.js` остались старые — на панели «О модели» появлялись плитки с
+        прочерком вместо чисел.
+        """
+        import re
+        from pathlib import Path
+
+        card = client.get("/api/v1/model").json()
+        source = Path("src/api/static/js/dxa-app.js").read_text(encoding="utf-8")
+        used = set(re.findall(r"\bds\.([a-z_]+)", source))
+        used |= set(re.findall(r"\bdeployed\.([a-z_]+)", source))
+        missing_dataset = sorted(k for k in used if k not in card["dataset"] and k not in card["model"])
+        assert not missing_dataset, f"фронтенд читает несуществующие поля: {missing_dataset}"
+
+        # Плитки блока «Данные» не должны получать прочерк из-за смены ключей.
+        tiles = re.findall(r"card\('([^']+)',\s*ds\.([a-z_]+)", source)
+        assert tiles, "не найдено ни одной плитки блока «Данные»"
+        for _title, key in tiles:
+            assert key in card["dataset"], f"плитка «{_title}» читает отсутствующий ключ ds.{key}"
+
+    def test_model_card_matches_loaded_checkpoint(self, client):
+        """Карточка и фактически загруженный чекпоинт не должны расходиться."""
+        card = client.get("/api/v1/model").json()
+        loaded = card["loaded"]
+        assert loaded["backbone"] == card["model"]["backbone"]
+        assert loaded["head"] == card["model"]["head"]
+        assert loaded["labels_csv"] == card["model"]["labels_csv"]
+        assert loaded["threshold_logit"] == pytest.approx(
+            card["model"]["threshold_logit"], abs=1e-4
+        )
+
+    def test_model_card_lists_limitations_and_sources(self, client):
+        card = client.get("/api/v1/model").json()
+        assert len(card["limitations"]) >= 5
+        assert all(isinstance(text, str) and text for text in card["limitations"])
+        assert card["sources"]
+        assert card["snapshot_date"]
+
 
 @needs_assets
 class TestBasicContract:
diff --git a/tests/test_excel_labels.py b/tests/test_excel_labels.py
new file mode 100644
index 0000000..5542d51
--- /dev/null
+++ b/tests/test_excel_labels.py
@@ -0,0 +1,453 @@
+"""
+Тесты разметки снимков по экспертной таблице `разметка.xlsx`.
+
+Проверяют правила, от которых зависит итоговая метка: чтение критериев,
+трактовку «1 = нарушение», голосование по анатомической области, перенос
+оценки на единственный снимок бедра и объединение источников
+(экспертная таблица ИЛИ имя файла).
+"""
+import sys
+from pathlib import Path
+
+import pandas as pd
+import pytest
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from src.dxa.excel_labels import (  # noqa: E402
+    ARTIFACT,
+    AXIS_DEVIATION,
+    POSITIONING,
+    ROTATION,
+    UNSPECIFIED,
+    RegionCriteria,
+    StudyCriteria,
+    _pick_criteria,
+    apply_excel_labels,
+    format_summary,
+    label_dataset,
+    load_study_criteria,
+    resolve_region,
+)
+from src.dxa.labels import ImageRecord  # noqa: E402
+from src.dxa.dataset import make_datasets  # noqa: E402
+from src.dxa.train import resolve_labels_csv  # noqa: E402
+
+DATASET_ROOT = Path("dataset_hack")
+EXCEL_PATH = DATASET_ROOT / "НД_для_обучения" / "разметка.xlsx"
+LABELS_CSV = Path("labels/labels_images.csv")
+HAVE_DATASET = (DATASET_ROOT / "НД_для_обучения" / "Исследования").is_dir()
+
+needs_dataset = pytest.mark.skipif(not HAVE_DATASET, reason="dataset_hack is not available")
+
+_WIDTH = 19
+
+
+def _write_excel(path: Path, studies: list) -> Path:
+    """Собрать файл разметки того же вида, что и настоящий: две строки заголовков."""
+    table = [[None] * _WIDTH for _ in range(2 + len(studies))]
+    for offset, spec in enumerate(studies):
+        row = table[2 + offset]
+        row[1] = spec.get("study")
+        for i, value in enumerate(spec.get("spine", [])):
+            row[2 + i] = value
+        for i, value in enumerate(spec.get("hip_right", [])):
+            row[5 + i] = value
+        for i, value in enumerate(spec.get("hip_left", [])):
+            row[7 + i] = value
+        for column, key in ((9, "spine_total"), (10, "hip_right_total"), (11, "hip_left_total")):
+            if key in spec:
+                row[column] = spec[key]
+        row[12] = spec.get("comment")
+    pd.DataFrame(table).to_excel(path, header=False, index=False)
+    return path
+
+
+def _criteria(**regions) -> StudyCriteria:
+    """StudyCriteria из коротких описаний: criteria=(0, 1), total=1."""
+    cells = {}
+    for name, spec in regions.items():
+        criteria, total = spec
+        keys = ("positioning", "axis_deviation", "artifact") if name == "spine" else ("rotation", "roi_incorrect")
+        cells[name] = RegionCriteria(violations=dict(zip(keys, criteria)), total=total)
+    return StudyCriteria(study="s", regions=cells)
+
+
+class TestLoadStudyCriteria:
+    """Файл разметки содержит заголовки и разреженные ячейки; разбор не должен падать."""
+
+    def test_reads_criteria_totals_and_comment(self, tmp_path):
+        path = _write_excel(tmp_path / "a.xlsx", [
+            {"study": "S1", "spine": [0, 1, 0], "spine_total": 1,
+             "hip_right": [1, 0], "hip_right_total": 1, "comment": "сколиоз"},
+            {"study": "S2", "spine": [0, 0, 0], "spine_total": 0},
+        ])
+        criteria = load_study_criteria(path)
+
+        assert set(criteria) == {"S1", "S2"}
+        spine = criteria["S1"].for_region("spine")
+        assert spine.total == 1 and spine.bad
+        assert spine.violated() == [AXIS_DEVIATION]
+        assert criteria["S1"].comment == "сколиоз"
+        assert criteria["S1"].for_region("hip_right").violated() == [ROTATION]
+        assert not criteria["S2"].for_region("spine").bad
+
+    def test_missing_region_is_unknown(self, tmp_path):
+        path = _write_excel(tmp_path / "a.xlsx", [{"study": "S1", "spine": [0, 0, 0], "spine_total": 0}])
+        criteria = load_study_criteria(path)
+        cell = criteria["S1"].for_region("hip_left")
+        assert cell is not None and not cell.known
+
+    def test_row_without_study_is_skipped(self, tmp_path):
+        path = _write_excel(tmp_path / "a.xlsx", [
+            {"study": None, "spine": [1, 0, 0], "spine_total": 1},
+            {"study": "S1", "spine": [0, 0, 0], "spine_total": 0},
+            {"study": "S2", "spine": [1, 0, 0], "spine_total": 1},
+        ])
+        assert set(load_study_criteria(path)) == {"S1", "S2"}
+
+
+class TestRegionCriteria:
+    """Трактовка значений: 1 в критерии и в итоге означает нарушение."""
+
+    def test_total_without_criteria_is_unspecified(self):
+        cell = RegionCriteria(violations={"positioning": 0, "axis_deviation": 0, "artifact": 0}, total=1)
+        assert cell.bad and cell.violated() == [UNSPECIFIED]
+
+    def test_criterion_without_total_still_flags(self):
+        # В датасете есть случай: критерий отмечен, итог оставлен нулевым.
+        cell = RegionCriteria(violations={"positioning": 0, "axis_deviation": 1, "artifact": 0}, total=0)
+        assert cell.bad and cell.violated() == [AXIS_DEVIATION]
+
+    def test_all_zero_is_good(self):
+        cell = RegionCriteria(violations={"rotation": 0, "roi_incorrect": 0}, total=0)
+        assert not cell.bad and cell.violated() == []
+        assert cell.known
+
+    def test_all_missing_is_unknown(self):
+        cell = RegionCriteria(violations={"rotation": None, "roi_incorrect": None}, total=None)
+        assert not cell.known and not cell.bad
+
+    def test_multiple_criteria_are_all_reported(self):
+        cell = RegionCriteria(violations={"positioning": 1, "axis_deviation": 1, "artifact": 1}, total=1)
+        assert cell.violated() == [POSITIONING, AXIS_DEVIATION, ARTIFACT]
+
+
+class TestResolveRegion:
+    """Побайтные дубли иногда названы по-разному; область решается голосованием."""
+
+    def test_single_name(self):
+        assert resolve_region([Path("spine_01.dcm")]) == ("spine", False)
+
+    def test_majority_wins(self):
+        sources = [Path(f"r_hip_{i}.dcm") for i in range(4)] + [Path("r_spine_03.dcm")]
+        assert resolve_region(sources) == ("hip_right", False)
+
+    def test_tie_is_ambiguous(self):
+        region, ambiguous = resolve_region([Path("spine_03_bad.dcm"), Path("l_hip_01.dcm")])
+        assert region is None and ambiguous
+
+    def test_unknown_names(self):
+        assert resolve_region([Path("bad.dcm")]) == (None, True)
+
+
+class TestPickCriteria:
+    """Оценка берётся со своей стороны; зеркальный перенос — только для единственного бедра."""
+
+    def test_same_side_is_used(self):
+        study = _criteria(hip_right=((1, 0), 1), hip_left=((0, 0), 0))
+        cell, mirrored = _pick_criteria(study, "hip_right", hip_image_count=2)
+        assert cell.violated() == [ROTATION] and not mirrored
+
+    def test_single_hip_borrows_opposite_side(self):
+        study = _criteria(hip_right=((None, None), None), hip_left=((1, 0), 1))
+        cell, mirrored = _pick_criteria(study, "hip_right", hip_image_count=1)
+        assert cell.violated() == [ROTATION] and mirrored
+
+    def test_single_hip_without_opposite_stays_unknown(self):
+        study = _criteria(hip_right=((None, None), None), hip_left=((None, None), None))
+        cell, mirrored = _pick_criteria(study, "hip_right", hip_image_count=1)
+        assert not cell.known and not mirrored
+
+    def test_two_hips_never_borrow(self):
+        study = _criteria(hip_right=((None, None), None), hip_left=((1, 0), 1))
+        cell, mirrored = _pick_criteria(study, "hip_right", hip_image_count=2)
+        assert cell is not None and not cell.known and not mirrored
+
+    def test_spine_never_borrows(self):
+        study = _criteria(spine=((None, None, None), None), hip_left=((1, 0), 1))
+        cell, mirrored = _pick_criteria(study, "spine", hip_image_count=0)
+        assert not cell.known and not mirrored
+
+
+class TestApplyExcelLabels:
+    """Подстановка построенной разметки в записи датасета."""
+
+    def _csv(self, tmp_path, rows):
+        path = tmp_path / "labels.csv"
+        path.write_text(
+            "path_to_image,quality_class,anatomical_region\n"
+            + "".join(f"{p},{q},{r}\n" for p, q, r in rows),
+            encoding="utf-8",
+        )
+        return path
+
+    def _record(self, path, region=None, label=0, marker=None):
+        return ImageRecord(path=Path(path), study="S1", region=region, label=label, marker=marker)
+
+    def test_replaces_labels_and_regions(self, tmp_path):
+        csv = self._csv(tmp_path, [("/s/a.dcm", 1, "hip_right")])
+        records = [self._record("/s/a.dcm", region=None, label=0)]
+        out = apply_excel_labels(records, csv)
+        assert out[0].label == 1
+        assert out[0].region == "hip_right"
+
+    def test_keeps_filename_label_when_image_absent(self, tmp_path):
+        csv = self._csv(tmp_path, [("/s/a.dcm", 1, "spine")])
+        records = [
+            self._record("/s/a.dcm", region="spine"),
+            self._record("/s/b.dcm", region="spine", label=1, marker="bad"),
+        ]
+        out = apply_excel_labels(records, csv)
+        assert [r.label for r in out] == [1, 1]
+        # запись, которой нет в CSV, сохраняет метку из имени файла
+        assert out[1].path == Path("/s/b.dcm")
+
+    def test_other_dataset_raises(self, tmp_path):
+        csv = self._csv(tmp_path, [("/other/a.dcm", 1, "spine")])
+        with pytest.raises(ValueError, match="None of the"):
+            apply_excel_labels([self._record("/s/a.dcm")], csv)
+
+    def test_missing_columns_raise(self, tmp_path):
+        path = tmp_path / "bad.csv"
+        path.write_text("file,label\n/s/a.dcm,1\n", encoding="utf-8")
+        with pytest.raises(ValueError, match="lacks columns"):
+            apply_excel_labels([self._record("/s/a.dcm")], path)
+
+    def test_empty_region_becomes_none(self, tmp_path):
+        csv = self._csv(tmp_path, [("/s/a.dcm", 1, "")])
+        out = apply_excel_labels([self._record("/s/a.dcm", region="spine")], csv)
+        assert out[0].region is None
+
+
+class TestResolveLabelsCsv:
+    """Отсутствующий файл разметки не должен молча менять источник меток."""
+
+    def test_empty_value_disables(self):
+        assert resolve_labels_csv("") is None
+        assert resolve_labels_csv(None) is None
+
+    def test_missing_file_falls_back_with_warning(self, tmp_path, caplog):
+        with caplog.at_level("WARNING"):
+            assert resolve_labels_csv(str(tmp_path / "nope.csv")) is None
+        assert "not found" in caplog.text
+
+    def test_existing_file_is_returned(self, tmp_path):
+        path = tmp_path / "labels.csv"
+        path.write_text("path_to_image,quality_class\n/s/a.dcm,1\n", encoding="utf-8")
+        assert resolve_labels_csv(str(path)) == path
+
+
+@needs_dataset
+class TestLabelRules:
+    """Правило метки: объединение источников, только таблица или чистый эталон."""
+
+    @pytest.fixture(scope="class")
+    def union(self):
+        return label_dataset(DATASET_ROOT, EXCEL_PATH, label_rule="union")
+
+    @pytest.fixture(scope="class")
+    def table(self):
+        return label_dataset(DATASET_ROOT, EXCEL_PATH, label_rule="table")
+
+    @pytest.fixture(scope="class")
+    def expert(self):
+        return label_dataset(DATASET_ROOT, EXCEL_PATH, label_rule="expert")
+
+    def test_union_uses_filename_evidence(self, union, table):
+        assert sum(1 for l in union if l.quality == 1) == 92
+        assert sum(1 for l in table if l.quality == 1) == 77
+
+    def test_table_rule_ignores_filename_marker(self, table):
+        # Снимок, помеченный `_bad`, но признанный экспертом качественным,
+        # в режиме «только таблица» остаётся качественным.
+        mismatched = [l for l in table if l.quality_excel == 0 and l.quality_filename == 1]
+        assert mismatched, "в наборе должны быть расхождения источников"
+        assert all(l.quality == 0 for l in mismatched)
+
+    def test_table_rule_keeps_filename_only_as_fallback(self, table):
+        fallback = [l for l in table if l.used_filename_fallback]
+        assert len(fallback) == 3
+        assert all(l.quality_excel is None for l in fallback)
+
+    def test_expert_rule_drops_unscored_images(self, expert):
+        assert len(expert) == 249
+        assert all(l.quality_excel is not None for l in expert)
+        assert not any(l.used_filename_fallback for l in expert)
+
+    def test_rules_agree_where_labels_agree(self, union, table):
+        """Там, где правила дают одну метку, совпадают и типы нарушений."""
+        by_uid = {l.dicom_image_uid: l for l in union}
+        agreed = 0
+        for label in table:
+            reference = by_uid[label.dicom_image_uid]
+            if label.quality != reference.quality:
+                continue
+            assert label.violations == reference.violations
+            agreed += 1
+        # Расходятся ровно 15 снимков (см. следующий тест), остальные совпадают.
+        assert agreed == 252 - 15
+
+    def test_filename_only_violations_become_unspecified(self, union, table):
+        """
+        Снимок, который эксперт считает качественным, а имя файла — нарушением:
+        в режиме объединения он получает `unspecified`, в режиме таблицы — ничего.
+        """
+        by_uid = {l.dicom_image_uid: l for l in union}
+        disputed = [l for l in table if l.quality_excel == 0 and l.quality_filename == 1]
+        assert len(disputed) == 15
+        for label in disputed:
+            assert label.quality == 0 and label.violations == ()
+            assert by_uid[label.dicom_image_uid].quality == 1
+            assert by_uid[label.dicom_image_uid].violations == (UNSPECIFIED,)
+
+    def test_unknown_rule_is_rejected(self):
+        with pytest.raises(ValueError, match="label_rule"):
+            label_dataset(DATASET_ROOT, EXCEL_PATH, label_rule="nonsense")
+
+    def test_rule_is_recorded_in_output(self, union, table, expert):
+        assert {l.label_rule for l in union} == {"union"}
+        assert {l.label_rule for l in table} == {"table"}
+        assert {l.label_rule for l in expert} == {"expert"}
+
+
+class TestParseVariants:
+    """Разбор описания вариантов для сравнения правил разметки."""
+
+    def test_default(self):
+        from src.dxa.compare_labels import DEFAULT_VARIANTS, parse_variants
+
+        assert parse_variants(None) == DEFAULT_VARIANTS
+
+    def test_custom(self):
+        from src.dxa.compare_labels import parse_variants
+
+        assert parse_variants("a=/tmp/a.csv, b=") == {"a": "/tmp/a.csv", "b": ""}
+
+    def test_single_variant_is_rejected(self):
+        from src.dxa.compare_labels import parse_variants
+
+        with pytest.raises(ValueError, match="минимум два"):
+            parse_variants("only=/tmp/a.csv")
+
+
+@needs_dataset
+class TestLabelDataset:
+    """Сквозная проверка на реальном датасете: инварианты разметки."""
+
+    @pytest.fixture(scope="class")
+    def labels(self):
+        return label_dataset(DATASET_ROOT, EXCEL_PATH)
+
+    def test_covers_every_unique_image(self, labels):
+        assert len(labels) == 252
+
+    def test_region_appears_once_per_study(self, labels):
+        seen = {}
+        for label in labels:
+            if label.region is None:
+                continue
+            seen.setdefault((label.record.study, label.region), 0)
+            seen[(label.record.study, label.region)] += 1
+        assert all(count == 1 for count in seen.values())
+        assert len(seen) == 251
+
+    def test_union_rule_holds(self):
+        """Арифметика объединения источников (правило `union`, не по умолчанию)."""
+        labels = label_dataset(DATASET_ROOT, EXCEL_PATH, label_rule="union")
+        excel = sum(1 for l in labels if l.quality_excel == 1)
+        filename = sum(1 for l in labels if l.quality_filename == 1)
+        both = sum(1 for l in labels if l.quality_excel == 1 and l.quality_filename == 1)
+        assert sum(1 for l in labels if l.quality == 1) == excel + filename - both
+        assert (excel, filename, both) == (74, 37, 19)
+        assert sum(1 for l in labels if l.quality == 1) == 92
+
+    def test_default_rule_is_table(self, labels):
+        """По умолчанию в метке участвует только экспертная таблица."""
+        assert {l.label_rule for l in labels} == {"table"}
+        assert sum(1 for l in labels if l.quality == 1) == 77
+
+    def test_violations_match_excel_criteria(self, labels):
+        criteria = load_study_criteria(EXCEL_PATH)
+        checked = 0
+        for label in labels:
+            if label.region is None or label.quality_excel != 1:
+                continue
+            cell = criteria[label.record.study].for_region(label.region)
+            if cell is None or not cell.known:
+                continue
+            assert label.violations == tuple(cell.violated())
+            checked += 1
+        assert checked > 60
+
+    def test_good_images_have_no_violations(self, labels):
+        assert all(not l.violations for l in labels if l.quality == 0)
+
+    def test_flagged_laterality_mirroring(self, labels):
+        flagged = [l for l in labels if l.laterality_mirrored]
+        assert len(flagged) == 6
+        assert all(l.region in ("hip_left", "hip_right") for l in flagged)
+        assert all(l.quality_excel is not None for l in flagged)
+
+    def test_single_ambiguous_region_is_labelled_from_filename(self, labels):
+        ambiguous = [l for l in labels if l.region_ambiguous]
+        assert len(ambiguous) == 1
+        label = ambiguous[0]
+        assert label.region is None
+        assert label.quality == 1 and label.violations == (UNSPECIFIED,)
+
+    def test_uids_are_populated(self, labels):
+        assert all(l.dicom_image_uid and l.dicom_study_uid for l in labels)
+        assert len({l.dicom_image_uid for l in labels}) == 252
+        assert len({l.dicom_study_uid for l in labels}) == 100
+
+    def test_summary_mentions_regions(self, labels):
+        text = format_summary(labels)
+        for region in ("spine", "hip_right", "hip_left"):
+            assert region in text
+        assert "ALL" in text
+
+
+@needs_dataset
+class TestTrainingWiring:
+    """Обучение должно брать метки из построенного CSV, сохраняя разбиение по исследованиям."""
+
+    def test_datasets_use_csv_labels(self):
+        train_ds, val_ds, _ = make_datasets(
+            DATASET_ROOT, EXCEL_PATH, labels_csv=LABELS_CSV, seed=42
+        )
+        records = list(train_ds.records) + list(val_ds.records)
+        assert len(records) == 252
+        # Официальная разметка — правило `table`: 74 нарушения эксперта плюс 3 снимка,
+        # для которых таблица область не оценивала.
+        assert sum(r.label for r in records) == 77
+
+    def test_split_still_has_no_study_leak(self):
+        train_ds, val_ds, _ = make_datasets(
+            DATASET_ROOT, EXCEL_PATH, labels_csv=LABELS_CSV, seed=42
+        )
+        overlap = {r.study for r in train_ds.records} & {r.study for r in val_ds.records}
+        assert overlap == set()
+
+    def test_fallback_to_filename_labels(self):
+        train_ds, val_ds, _ = make_datasets(DATASET_ROOT, EXCEL_PATH, labels_csv=None, seed=42)
+        records = list(train_ds.records) + list(val_ds.records)
+        assert sum(r.label for r in records) == 37
+
+    def test_region_head_sees_resolved_region(self):
+        # Область одного конфликтного дубля решается голосованием имён и приходит из CSV.
+        train_ds, val_ds, _ = make_datasets(
+            DATASET_ROOT, EXCEL_PATH, labels_csv=LABELS_CSV, seed=42
+        )
+        regions = {r.region for r in list(train_ds.records) + list(val_ds.records)}
+        assert regions == {"spine", "hip_right", "hip_left", None}
diff --git a/tests/test_labels.py b/tests/test_labels.py
index 209bc56..1cc0c57 100644
--- a/tests/test_labels.py
+++ b/tests/test_labels.py
@@ -4,6 +4,7 @@
 Проверяют правила, от которых зависит обучение: метка из имени файла,
 склейка побайтных дублей и разбиение по исследованиям без утечки.
 """
+import json
 import sys
 from pathlib import Path
 
@@ -15,11 +16,14 @@ from src.dxa.labels import (  # noqa: E402
     QUALITY_BAD,
     QUALITY_GOOD,
     ImageRecord,
+    export_split,
     format_summary,
     label_summary,
+    load_split,
     marker_from_filename,
     region_from_filename,
     scan_dataset,
+    split_by_studies,
     stratified_group_split,
 )
 
@@ -137,6 +141,52 @@ class TestLabelSummary:
         assert "Unique images: 2" in text
 
 
+class TestFixedSplit:
+    """Фиксированное разбиение: один held-out набор для сравнения вариантов меток."""
+
+    def _records(self, studies):
+        return [
+            ImageRecord(path=Path(f"{study}/img.dcm"), study=study, region="spine", label=label)
+            for study, label in studies
+        ]
+
+    def test_export_and_load_roundtrip(self, tmp_path):
+        records = self._records([(f"s{i}", i % 2) for i in range(10)])
+        path = export_split(records, tmp_path / "split.json", val_fraction=0.3, seed=1)
+
+        payload = json.loads(path.read_text())
+        assert payload["val_fraction"] == 0.3 and payload["seed"] == 1
+        assert payload["val_images"] == len(payload["val_studies"])
+
+        val_studies = load_split(path)
+        assert val_studies == set(payload["val_studies"])
+        assert val_studies <= {r.study for r in records}
+
+    def test_split_by_studies_matches_contract(self):
+        records = self._records([(f"s{i}", i % 2) for i in range(10)])
+        train, val = split_by_studies(records, ["s0", "s1", "s2"])
+        assert {r.study for r in val} == {"s0", "s1", "s2"}
+        assert {r.study for r in train} == {f"s{i}" for i in range(3, 10)}
+        assert len(train) + len(val) == len(records)
+
+    def test_split_by_studies_rejects_empty_side(self):
+        records = self._records([("s0", 0), ("s1", 1)])
+        with pytest.raises(ValueError, match="degenerated"):
+            split_by_studies(records, ["s0", "s1"])
+
+    def test_load_split_rejects_empty_file(self, tmp_path):
+        path = tmp_path / "bad.json"
+        path.write_text(json.dumps({"val_studies": []}))
+        with pytest.raises(ValueError, match="val_studies"):
+            load_split(path)
+
+    def test_exported_split_is_stable_for_same_inputs(self, tmp_path):
+        records = self._records([(f"s{i}", i % 2) for i in range(10)])
+        first = load_split(export_split(records, tmp_path / "a.json", seed=7))
+        second = load_split(export_split(records, tmp_path / "b.json", seed=7))
+        assert first == second
+
+
 @needs_dataset
 class TestRealDataset:
     """Проверки на реальном датасете: инварианты, влияющие на обучение."""
diff --git a/tests/test_rename_files.py b/tests/test_rename_files.py
new file mode 100644
index 0000000..d735c04
--- /dev/null
+++ b/tests/test_rename_files.py
@@ -0,0 +1,162 @@
+"""
+Тесты приведения имён DICOM к единому виду.
+
+Проверяют разбор имён, поиск свободного номера при конфликте, отказ от
+переименования файлов без распознанной области и полный цикл
+«применить → откатить» на временных файлах.
+"""
+import csv
+import sys
+from pathlib import Path
+
+import pytest
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from src.dxa.rename_files import (  # noqa: E402
+    apply_renames,
+    canonical_stem,
+    parse_stem,
+    plan_renames,
+    rollback,
+    write_mapping,
+)
+
+
+class TestParseStem:
+    @pytest.mark.parametrize("stem, expected", [
+        ("spine_1", ("spine", 1, None)),
+        ("spine_03_bad", ("spine", 3, "bad")),
+        ("l_hip_2", ("hip_left", 2, None)),
+        ("r_hip_01_good", ("hip_right", 1, "good")),
+        ("Spine", ("spine", 1, None)),
+        ("r_hop_02", ("hip_right", 2, None)),
+        ("r_hip03", ("hip_right", 3, None)),
+        ("r_spine_03", ("spine", 3, None)),
+        ("spine-1", ("spine", 1, None)),
+    ])
+    def test_recognised_names(self, stem, expected):
+        assert parse_stem(stem) == expected
+
+    @pytest.mark.parametrize("stem", ["bad", "good", "series_001", "A2507431060 DXA"])
+    def test_names_without_region_are_rejected(self, stem):
+        assert parse_stem(stem) is None
+
+
+class TestCanonicalStem:
+    @pytest.mark.parametrize("stem, expected", [
+        ("spine_1", "spine_01"),
+        ("spine_01", "spine_01"),
+        ("Spine_01", "spine_01"),
+        ("spine-1", "spine_01"),
+        ("spine", "spine_01"),
+        ("r_hop_02", "r_hip_02"),
+        ("r_hip03", "r_hip_03"),
+        ("r_spine_03", "spine_03"),
+        ("l_hip_5_good", "l_hip_05_good"),
+        ("r_hip_1_bad", "r_hip_01_bad"),
+    ])
+    def test_normalisation(self, stem, expected):
+        assert canonical_stem(stem) == expected
+
+    def test_region_is_never_invented(self):
+        assert canonical_stem("bad") is None
+
+    def test_label_is_preserved_not_added(self):
+        assert canonical_stem("spine_2") == "spine_02"
+        assert canonical_stem("spine_2_good") == "spine_02_good"
+
+
+class TestPlanRenames:
+    def _files(self, tmp_path, names):
+        paths = []
+        for name in names:
+            path = tmp_path / name
+            path.write_bytes(b"0")
+            paths.append(path)
+        return paths
+
+    def test_canonical_names_need_no_change(self, tmp_path):
+        plan = plan_renames(self._files(tmp_path, ["spine_01.dcm", "l_hip_02_good.dcm"]))
+        assert plan == []
+
+    def test_number_width_is_fixed(self, tmp_path):
+        plan = plan_renames(self._files(tmp_path, ["spine_1.dcm"]))
+        assert [(p.source.name, p.target.name) for p in plan] == [("spine_1.dcm", "spine_01.dcm")]
+
+    def test_collision_bumps_to_free_number(self, tmp_path):
+        # Оба имени канонизируются в spine_01; второе должно получить свободный номер.
+        plan = plan_renames(self._files(tmp_path, ["spine_1.dcm", "spine_01.dcm"]))
+        targets = sorted(p.target.name for p in plan)
+        assert targets == ["spine_02.dcm"]
+        assert {p.source.name for p in plan} == {"spine_1.dcm"}
+
+    def test_case_only_rename_is_planned(self, tmp_path):
+        plan = plan_renames(self._files(tmp_path, ["Spine_01.dcm"]))
+        assert [(p.source.name, p.target.name) for p in plan] == [("Spine_01.dcm", "spine_01.dcm")]
+
+    def test_unrecognised_file_is_skipped(self, tmp_path):
+        plan = plan_renames(self._files(tmp_path, ["bad.dcm", "spine_1.dcm"]))
+        assert [p.source.name for p in plan] == ["spine_1.dcm"]
+
+    def test_targets_are_unique(self, tmp_path):
+        names = ["spine_1.dcm", "spine-1.dcm", "l_hip_1.dcm", "r_hop_02.dcm", "r_hip03.dcm"]
+        plan = plan_renames(self._files(tmp_path, names))
+        targets = [p.target.name for p in plan]
+        assert len(targets) == len(set(targets))
+
+    def test_plan_does_not_overwrite_a_file_that_stays(self, tmp_path):
+        # spine_02 канонично и остаётся на месте; spine_2 должен уйти на другой номер.
+        plan = plan_renames(self._files(tmp_path, ["spine_02.dcm", "spine_2.dcm"]))
+        assert {p.source.name for p in plan} <= {"spine_2.dcm"}
+        if plan:
+            assert plan[0].target.name != "spine_02.dcm"
+
+
+class TestApplyAndRollback:
+    def _setup(self, tmp_path, names):
+        paths = []
+        for name in names:
+            path = tmp_path / name
+            path.write_bytes(name.encode())
+            paths.append(path)
+        return paths
+
+    def test_apply_then_rollback_restores_names(self, tmp_path):
+        names = ["spine_1.dcm", "l_hip-2.dcm", "Spine_03.dcm", "bad.dcm"]
+        paths = self._setup(tmp_path, names)
+        plan = plan_renames(paths)
+        mapping = write_mapping(plan, tmp_path / "map.csv")
+
+        assert apply_renames(plan, dry_run=False) == len(plan)
+        after = sorted(p.name for p in tmp_path.glob("*.dcm"))
+        assert after == ["bad.dcm", "l_hip_02.dcm", "spine_01.dcm", "spine_03.dcm"]
+        assert all(p.read_bytes() for p in tmp_path.glob("*.dcm"))
+
+        assert rollback(mapping, dry_run=False) == len(plan)
+        assert sorted(p.name for p in tmp_path.glob("*.dcm")) == sorted(names)
+
+    def test_dry_run_changes_nothing(self, tmp_path):
+        paths = self._setup(tmp_path, ["spine_1.dcm"])
+        plan = plan_renames(paths)
+        assert apply_renames(plan, dry_run=True) == 0
+        assert (tmp_path / "spine_1.dcm").exists()
+
+    def test_rollback_dry_run_reports_without_changing(self, tmp_path):
+        paths = self._setup(tmp_path, ["spine_1.dcm"])
+        plan = plan_renames(paths)
+        mapping = write_mapping(plan, tmp_path / "map.csv")
+        apply_renames(plan, dry_run=False)
+        # В режиме плана возвращается число файлов, к которым вернулось бы имя.
+        assert rollback(mapping, dry_run=True) == 1
+        assert (tmp_path / "spine_01.dcm").exists()
+        assert not (tmp_path / "spine_1.dcm").exists()
+
+    def test_mapping_file_is_readable_and_complete(self, tmp_path):
+        paths = self._setup(tmp_path, ["spine_1.dcm", "r_hop_02.dcm"])
+        plan = plan_renames(paths)
+        mapping = write_mapping(plan, tmp_path / "map.csv")
+        rows = list(csv.DictReader(mapping.open(encoding="utf-8")))
+        assert len(rows) == len(plan)
+        assert {"old_path", "new_path", "old_name", "new_name", "reason"} <= set(rows[0])
+        assert {r["reason"] for r in rows} == {"ширина номера", "опечатка hop"}
diff --git a/tests/test_violations.py b/tests/test_violations.py
new file mode 100644
index 0000000..42f6dfd
--- /dev/null
+++ b/tests/test_violations.py
@@ -0,0 +1,143 @@
+"""
+Тесты единого словаря типов нарушений.
+
+Словарь обслуживает три места сразу: инференс (коды в отчёте), SR-отчёт
+(числовые коды) и веб-интерфейс (подписи). Тесты фиксируют, что все коды
+описаны, а устаревшие значения внешних источников приводятся к канону.
+"""
+import sys
+from pathlib import Path
+
+import pytest
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+from src.dxa import excel_labels  # noqa: E402
+from src.dxa.violations import (  # noqa: E402
+    ARTIFACT,
+    AXIS_DEVIATION,
+    INCOMPLETE_ANATOMY,
+    LABELING_ERROR,
+    LEGACY_ALIASES,
+    MOTION,
+    POSITIONING,
+    ROI_INCORRECT,
+    ROTATION,
+    TABLE_TYPES,
+    UNSPECIFIED,
+    VIOLATION_LABELS,
+    VIOLATION_NOTES,
+    VIOLATION_SCOPE,
+    VIOLATION_SR_CODES,
+    VIOLATION_TYPES,
+    canon_type,
+    catalogue,
+    label,
+    reason,
+    sr_code,
+)
+
+
+class TestCanonType:
+    """Устаревшие значения из внешних источников приводятся к канону."""
+
+    @pytest.mark.parametrize("legacy, expected", [
+        ("artifact_motion", MOTION),
+        ("artifact_other", ARTIFACT),
+        ("quality_violation_detected", UNSPECIFIED),
+        ("roi_error", ROI_INCORRECT),
+        ("position_error", POSITIONING),
+        ("incomplete_view", INCOMPLETE_ANATOMY),
+    ])
+    def test_legacy_aliases(self, legacy, expected):
+        assert canon_type(legacy) == expected
+
+    @pytest.mark.parametrize("value", ["", None, "correct", "none"])
+    def test_empty_values(self, value):
+        assert canon_type(value) == ""
+
+    def test_canonical_codes_pass_through(self):
+        for code in VIOLATION_TYPES:
+            assert canon_type(code) == code
+
+    def test_case_and_spaces_are_normalised(self):
+        assert canon_type("  ROTATION ") == ROTATION
+
+    def test_unknown_value_falls_back_to_unspecified(self):
+        assert canon_type("что_то_новое") == UNSPECIFIED
+
+    def test_every_alias_target_is_a_known_code(self):
+        for target in LEGACY_ALIASES.values():
+            assert target == "" or target in VIOLATION_TYPES
+
+
+class TestLabels:
+    def test_label_for_known_code(self):
+        assert label(ROTATION) == VIOLATION_LABELS[ROTATION]
+
+    def test_label_for_empty_code_uses_default(self):
+        assert label("") == "Корректно"
+        assert label("", empty="—") == "—"
+
+    def test_label_accepts_legacy_value(self):
+        assert label("artifact_motion") == VIOLATION_LABELS[MOTION]
+
+    def test_reason_for_unknown_code_is_unspecified_note(self):
+        assert reason("нечто") == VIOLATION_NOTES[UNSPECIFIED]
+
+    def test_reason_for_empty_code_is_empty(self):
+        assert reason("") == ""
+
+
+class TestSrCode:
+    def test_acceptable_code_for_good_image(self):
+        numeric, english, completion = sr_code("")
+        assert numeric == "113001" and completion == "FINAL"
+        assert "acceptable" in english
+
+    def test_warning_code_for_violation(self):
+        numeric, english, completion = sr_code(ROTATION)
+        assert numeric == VIOLATION_SR_CODES[ROTATION][0] and completion == "WARNING"
+
+    def test_unknown_code_falls_back_to_unspecified(self):
+        assert sr_code("нечто") == (*VIOLATION_SR_CODES[UNSPECIFIED], "WARNING")
+
+
+class TestCatalogue:
+    def test_every_code_is_described(self):
+        entries = catalogue()
+        assert [e["code"] for e in entries] == list(VIOLATION_TYPES)
+        for entry in entries:
+            assert entry["label"] and entry["note"]
+            assert entry["scope"] in ("spine", "hip", "any")
+            assert entry["source"] in ("expert_table", "condition_doctor", "system")
+
+    def test_table_codes_are_marked_as_expert_table(self):
+        by_code = {e["code"]: e for e in catalogue()}
+        for code in TABLE_TYPES:
+            assert by_code[code]["source"] == "expert_table"
+        assert by_code[UNSPECIFIED]["source"] == "system"
+
+    def test_every_code_has_sr_code(self):
+        for code in VIOLATION_TYPES:
+            assert code in VIOLATION_SR_CODES
+
+    def test_every_code_has_label_and_note(self):
+        for code in VIOLATION_TYPES:
+            assert code in VIOLATION_LABELS
+            assert code in VIOLATION_NOTES
+            assert code in VIOLATION_SCOPE
+
+
+class TestAgreementWithAnnotationTable:
+    """Словарь таблицы и общий словарь не должны разойтись."""
+
+    def test_table_types_match_table_criteria(self):
+        expected = set(excel_labels.SPINE_CRITERIA) | set(excel_labels.HIP_CRITERIA)
+        assert set(TABLE_TYPES) == expected
+
+    def test_excel_labels_reexports_same_codes(self):
+        assert excel_labels.UNSPECIFIED == UNSPECIFIED
+        assert excel_labels.ARTIFACT == ARTIFACT
+        assert excel_labels.AXIS_DEVIATION == AXIS_DEVIATION
+        assert set(excel_labels.VIOLATION_TYPES) >= set(TABLE_TYPES) | {UNSPECIFIED}
diff --git a/tools/build_deck.py b/tools/build_deck.py
new file mode 100644
index 0000000..ba28963
--- /dev/null
+++ b/tools/build_deck.py
@@ -0,0 +1,431 @@
+#!/usr/bin/env python3
+"""
+Сборка презентации решения из шаблона организаторов `docs/lct_temppalte.pptx`.
+
+Шаблон содержит готовые макеты: слайды 7–11 обязательны (титул, описание команды,
+карточки участников, история команды, «коротко о решении»), слайды 12–29 —
+оформление для содержательной части. Скрипт заполняет обязательные слайды и
+подставляет наш контент в подходящие макеты, лишние слайды (вводные инструкции
+организаторов и библиотеки иконок) удаляются.
+
+Запуск:
+    python tools/build_deck.py                    # docs/deck.pptx
+    python tools/build_deck.py --out other.pptx
+
+Про команду: данных о команде у скрипта нет, поэтому поля ФИО, контактов,
+города и названия команды заполняются заглушками вида «{{...}}» — их нужно
+заменить в PowerPoint. Всё, что касается задачи и решения, заполнено по фактам
+из репозитория (`README.md`, `docs/labeling.md`, `models/compare_rules/`).
+"""
+from __future__ import annotations
+
+import argparse
+import copy
+from pathlib import Path
+from typing import Dict, Iterable, List, Sequence
+
+from pptx import Presentation
+from pptx.util import Emu, Inches
+
+REPO = Path(__file__).resolve().parents[1]
+TEMPLATE = REPO / "docs" / "lct_temppalte.pptx"
+IMAGES = REPO / "docs" / "img"
+
+#: Слайды шаблона, которые войдут в презентацию, в нужном порядке.
+#: Ключ — номер слайда в шаблоне (нумерация с 1), значение — что он несёт.
+DECK_ORDER: Sequence[int] = (7, 8, 9, 10, 11, 13, 21, 16, 17, 20, 22, 24, 15, 19, 18, 25)
+
+#: Команда известна из `README.md` (раздел «Команда»). Контакты, город и место
+#: работы/учёбы в репозитории не указаны — они остаются заглушками.
+TEAM = (
+    {"name": "Грачев Татьяна", "role": "Капитан"},
+    {"name": "Грачев Денис", "role": "Разработка"},
+)
+CONTACT_PLACEHOLDER = ("{{Ник в мессенджере}}", "{{Телефон}}", "{{Место работы/учёбы}}")
+
+#: Подписи, оставленные шаблоном как инструкция. Если после заполнения такая
+#: строка осталась — значит, слайд заполнен не полностью.
+INSTRUCTION_MARKERS = (
+    "Опишите", "Расскажите", "Капитан: ФИО", "Имя Фамилия", "__ человек",
+    "Опишите в чем",
+)
+
+
+def set_lines(text_frame, lines: Sequence[str]) -> None:
+    """
+    Заменить содержимое текстового блока, сохранив оформление абзаца.
+
+    Оформление берётся у первого прогона первого абзаца: шаблонные шрифты,
+    кегли и цвета остаются как в макете.
+    """
+    paragraphs = text_frame.paragraphs
+    while len(text_frame.paragraphs) > len(lines):
+        element = text_frame.paragraphs[-1]._p
+        element.getparent().remove(element)
+    while len(text_frame.paragraphs) < len(lines):
+        text_frame._txBody.append(copy.deepcopy(text_frame.paragraphs[-1]._p))
+
+    for paragraph, text in zip(text_frame.paragraphs, lines):
+        runs = paragraph.runs
+        if not runs:
+            paragraph.add_run().text = text
+            continue
+        runs[0].text = text
+        for run in runs[1:]:
+            run._r.getparent().remove(run._r)
+
+
+def fill_by_placeholder(slide, content: Dict[int, Sequence[str]]) -> None:
+    """Заполнить слайд по индексам плейсхолдеров (idx из шаблона)."""
+    for shape in slide.shapes:
+        if not shape.has_text_frame:
+            continue
+        try:
+            idx = shape.placeholder_format.idx
+        except (ValueError, AttributeError):
+            continue
+        if idx in content:
+            set_lines(shape.text_frame, content[idx])
+
+
+def drop_shape(shape) -> None:
+    shape._element.getparent().remove(shape._element)
+
+
+def apply_layout(prs, keep: Sequence[int], order: Sequence[int]) -> None:
+    """
+    Оставить только нужные слайды и расставить их в порядке `order`.
+
+    Номера — исходные, из шаблона (с 1). Карта «номер → элемент» снимается до
+    удаления: иначе после удаления индексы сдвигаются и порядок перепутается.
+    """
+    sld_id_lst = prs.slides._sldIdLst
+    elements = list(sld_id_lst)
+    by_original = {index + 1: element for index, element in enumerate(elements)}
+    assert set(order) <= set(keep) and len(set(order)) == len(order), "порядок и состав расходятся"
+
+    for number in sorted((n for n in by_original if n not in keep), reverse=True):
+        element = by_original[number]
+        prs.part.drop_rel(element.rId)
+        sld_id_lst.remove(element)
+
+    for element in list(sld_id_lst):
+        sld_id_lst.remove(element)
+    for number in order:
+        sld_id_lst.append(by_original[number])
+
+
+def slide_by_number(prs, number: int):
+    return prs.slides[number - 1]
+
+
+def fill_team_cards(slide, team: Sequence[dict]) -> None:
+    """
+    Заполнить карточки участников и убрать лишние.
+
+    Макет рассчитан на пять человек: карточки — это рамки одинаковой ширины,
+    стоящие слева направо с шагом 2.52 дюйма, а подписи внутри карточки смещены
+    относительно её рамки. Поэтому карточка определяется по рамке, а её элементы —
+    по попаданию в горизонтальные границы рамки. Лишние карточки удаляются целиком:
+    пустая карточка с шаблонной подписью выглядит как незаполненный слайд.
+    """
+    frames = [
+        shape for shape in slide.shapes
+        if shape.width is not None
+        and abs(Emu(shape.width).inches - 2.40) < 0.05
+        and abs(Emu(shape.height).inches - 5.29) < 0.05
+    ]
+    frames.sort(key=lambda s: Emu(s.left).inches)
+    if len(frames) < len(team):
+        raise ValueError(f"в макете {len(frames)} карточек, а участников {len(team)}")
+
+    keep = frames[: len(team)]
+    drop = frames[len(team):]
+
+    def bounds(frame):
+        left = Emu(frame.left).inches
+        return left - 0.05, left + 2.45
+
+    for frame in drop:
+        low, high = bounds(frame)
+        for shape in list(slide.shapes):
+            if shape.left is None or shape.top is None:
+                continue
+            center = Emu(shape.left).inches + Emu(shape.width).inches / 2
+            if low < center < high:
+                drop_shape(shape)
+
+    for frame, member in zip(keep, team):
+        low, high = bounds(frame)
+        for shape in slide.shapes:
+            if shape.left is None or not shape.has_text_frame:
+                continue
+            center = Emu(shape.left).inches + Emu(shape.width).inches / 2
+            if not (low < center < high):
+                continue
+            text = shape.text_frame.text.strip()
+            if text == "Имя Фамилия":
+                set_lines(shape.text_frame, [member["name"]])
+            elif text.startswith("Роль в команде"):
+                set_lines(shape.text_frame, [member["role"], *CONTACT_PLACEHOLDER])
+
+
+def add_screenshots(slide) -> None:
+    """Заменить три фоторамки макета на снимки интерфейса без искажения пропорций."""
+    for shape in list(slide.shapes):
+        try:
+            if shape.is_placeholder and shape.placeholder_format.type == 18:
+                drop_shape(shape)
+        except (ValueError, AttributeError):
+            continue
+
+    placements = [
+        ("ui-results.png", 0.40, 3.60, 7.40),          # таблица результатов — широкая
+        ("ui-detail-violation.png", 8.10, 1.10, 4.40),  # панель деталей, нарушение
+        ("ui-model-panel.png", 8.10, 4.40, 4.40),       # панель «О модели»
+    ]
+    for name, left, top, width in placements:
+        slide.shapes.add_picture(
+            str(IMAGES / name), Inches(left), Inches(top), width=Inches(width)
+        )
+
+
+def build(out_path: Path) -> Path:
+    prs = Presentation(str(TEMPLATE))
+
+    # --- Обязательные слайды 7–11 -------------------------------------------------
+    fill_by_placeholder(slide_by_number(prs, 7), {
+        0: ["Контроль качества денситометрических исследований"],
+        12: ["Команда {{НАЗВАНИЕ КОМАНДЫ}} · задача от {{ПОСТАНОВЩИК ЗАДАЧИ}}"],
+    })
+
+    slide8 = slide_by_number(prs, 8)
+    fill_by_placeholder(slide8, {0: ["Команда {{НАЗВАНИЕ КОМАНДЫ}}"]})
+    for shape in slide8.shapes:
+        if not shape.has_text_frame:
+            continue
+        text = shape.text_frame.text
+        if text.startswith("Капитан:"):
+            set_lines(shape.text_frame, [
+                f"Капитан: {TEAM[0]['name']}",
+                f"Кол-во участников: {len(TEAM)} человека",
+                "Краткое описание:",
+                "{{город, место работы или учёбы, как собралась команда}}",
+            ])
+        elif text.startswith("В чем суть вашего решения"):
+            set_lines(shape.text_frame, [
+                "Сервис оценивает качество снимка DXA: пригоден ли он для анализа и что именно не так. "
+                "Работает офлайн, до трёх минут на исследование.",
+            ])
+        elif text.startswith("Что делает ваше решение"):
+            set_lines(shape.text_frame, [
+                "Правило разметки выбрано измерением, а не по вкусу; модель проверена на то, "
+                "что использует содержимое снимка.",
+            ])
+
+    slide9 = slide_by_number(prs, 9)
+    fill_team_cards(slide9, TEAM)
+
+    slide10 = slide_by_number(prs, 10)
+    fill_by_placeholder(slide10, {
+        27: ["{{как собрались, участвовали ли вместе в прошлых проектах, интересные факты}}"],
+        0: ["Команда {{НАЗВАНИЕ}}"],
+    })
+    for shape in slide10.shapes:
+        if not shape.has_text_frame:
+            continue
+        text = shape.text_frame.text
+        if text.startswith("Расскажите о самых интересных"):
+            set_lines(shape.text_frame, [
+                "Данных с надёжной разметкой оказалось меньше трети: экспертная оценка сделана "
+                "на уровне исследования, а разметки областей интереса в DICOM нет. Локальная "
+                "vision-модель оказалась непригодна — это выяснилось на калибровке.",
+            ])
+        elif text.startswith("Что вас вдохновило"):
+            set_lines(shape.text_frame, [
+                "{{что заинтересовало в задаче}}",
+            ])
+
+    slide11 = slide_by_number(prs, 11)
+    fill_by_placeholder(slide11, {
+        38: [
+            "ResNet18 с замороженным backbone и линейной головой; один путь предобработки для обучения и API;",
+            "порог решения подобран по F1 и хранится в чекпоинте вместе с весами.",
+            "На фиксированном held-out наборе, пять seed'ов: ROC-AUC 0.6764 [0.6309; 0.7218], F1 0.5676 [0.5270; 0.6082].",
+        ],
+        42: [
+            "Помощник для отделения денситометрии: приоритизирует ручной просмотр и снижает долю повторных исследований.",
+            "Разворачивается локально в контейнере, медицинские изображения не покидают контур.",
+            "Экономия — за счёт того, что специалист смотрит в первую очередь снимки с замечаниями.",
+        ],
+    })
+
+    # --- Содержательная часть из макетов 12–29 ------------------------------------
+    fill_by_placeholder(slide_by_number(prs, 13), {
+        0: ["Задача и результат"],
+        1: [
+            "Области: поясничный отдел позвоночника и проксимальный отдел бедренной кости",
+            "Вход: DICOM без разметки, до трёх изображений в исследовании",
+            "Выход: XLSX или CSV, одна строка на снимок — регион, класс качества, тип нарушения",
+            "252 уникальных снимка в 100 исследованиях; 77 снимков с нарушением",
+            "Офлайн, в контейнере, не дольше трёх минут на исследование",
+        ],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 21), {
+        0: ["Данные и разметка"],
+        21: ["252"], 18: ["уникальных снимка в 100 исследованиях"],
+        22: ["77"], 23: ["нарушений в обучающей разметке (30.6 %)"],
+        24: ["3"], 25: ["снимка без экспертной оценки — помечены явно, а не спрятаны"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 16), {
+        0: ["Как построена разметка"],
+        49: ["01"], 37: ["Экспертная таблица"],
+        38: ["Оценка сделана на уровне исследования, по критериям: укладка, ось, артефакты, "
+             "позиционирование, область интереса"],
+        50: ["02"], 39: ["Перенос на снимок"],
+        40: ["После склейки дублей каждая область встречается в исследовании один раз — "
+             "вердикт переносится однозначно"],
+        51: ["03"], 41: ["Выбор правила"],
+        42: ["Два правила сравнили на одном разбиении, пять seed'ов, один эталон: "
+             "0.6764 против 0.6199"],
+        52: ["04"], 43: ["Тип нарушения"],
+        44: ["Берётся из структурированных критериев таблицы; комментарии эксперта сохраняем дословно"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 17), {
+        0: ["Три решения, принятых по эксперименту"],
+        49: ["01"], 37: ["Аугментация отключена"],
+        38: ["Яркость и положение снимка сами являются признаками качества. "
+             "Включение роняло AUC с 0.87 до 0.56"],
+        50: ["02"], 39: ["Порог 0.5 отвергнут"],
+        40: ["Вероятности насыщаются. Порог подобран по логиту и F1 и хранится в чекпоинте"],
+        51: ["03"], 41: ["Vision-модель 9B отвергнута"],
+        42: ["На калибровке вынесла «непригоден» всем 14 снимкам, включая заведомо качественные"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 20), {
+        0: ["Модель использует снимок, а не анатомию"],
+        14: ["Область почти однозначно определяется шириной кадра, поэтому проверяем, не выучила ли "
+             "модель просто область. Сравниваем с правилом «позвоночник значит нарушение» на тех же снимках."],
+        15: ["Модель: внутри областей AUC 0.85–0.93"],
+        16: ["Правило области: ровно 0.500 внутри области"],
+        17: ["Общий AUC модели 0.854 против 0.529 у правила"],
+        18: ["Проверка идёт по всему набору, включая обучающие снимки, — значения смещены вверх"],
+        19: ["Вывод: содержимое снимка даёт вклад, подмены качества анатомией нет"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 22), {
+        0: ["Результат на held-out наборе"],
+        21: ["0.6764"], 18: ["ROC-AUC, 95 % интервал 0.6309–0.7218"],
+        22: ["0.4759"], 23: ["PR-AUC, интервал 0.4141–0.5377"],
+        24: ["0.5676"], 25: ["F1, интервал 0.5270–0.6082"],
+        26: ["5 × 2"], 27: ["прогона: пять seed'ов на два правила; снимки валидации в обучении не участвовали"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 24), {
+        0: ["Почему модель простая"],
+        26: ["Проблема",
+             "Полный fine-tune на двухстах снимках переобучается: train-метрика уходит в единицу, "
+             "качество на валидации — к случайному"],
+        31: ["Решение",
+             "Замороженный ResNet18 как экстрактор признаков и линейная голова: обучаются тысячи "
+             "параметров вместо миллионов"],
+        32: ["Результат",
+             "Устойчивые метрики на пяти seed'ах и отсутствие подгонки под обучающую выборку"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 15), {
+        0: ["Ограничения"],
+        15: ["Разметка выведена из оценки исследования: поштучной экспертной оценки снимков нет"],
+        16: ["252 снимка и 77 нарушений — доверительные интервалы широкие"],
+        17: ["Эталон — та же экспертная таблица; независимой истины нет"],
+        18: ["Тип нарушения определяет эвристика, а не обученная модель"],
+        19: ["Сторона бедра в 7 исследованиях не проверяема: теги латеральности в DICOM пусты"],
+    })
+
+    slide19 = slide_by_number(prs, 19)
+    fill_by_placeholder(slide19, {
+        0: ["Как это выглядит"],
+        14: ["Интерфейс: загрузка DICOM, таблица результатов, панель деталей и панель «О модели» "
+             "с метриками, словарём нарушений и списком ограничений."],
+    })
+    add_screenshots(slide19)
+
+    fill_by_placeholder(slide_by_number(prs, 18), {
+        0: ["Эксплуатация и упаковка"],
+        49: ["01"], 37: ["Скорость"],
+        38: ["15 мс на снимок на ускорителе, 20 мс на CPU; запас к бюджету три минуты более 3000×"],
+        50: ["02"], 39: ["Требования"],
+        40: ["Минимально достаточно CPU; чекпоинт 43 МБ; образ содержит код и интерфейс"],
+        51: ["03"], 41: ["API"],
+        42: ["Анализ файла, детальный отчёт, DICOM SR, пакетная обработка и выгрузка XLSX"],
+        52: ["04"], 43: ["Надёжность"],
+        44: ["Ошибка не выбрасывается исключением: строка получает processing_status = Failure"],
+        53: ["05"], 45: ["Офлайн"],
+        46: ["Ни внешних сервисов, ни обращений к CDN: ассеты интерфейса лежат локально"],
+        54: ["06"], 47: ["Тесты"],
+        48: ["209 автотестов, включая браузерные сценарии и проверку работы без сети"],
+    })
+
+    fill_by_placeholder(slide_by_number(prs, 25), {
+        0: ["План развития"],
+        26: ["Поштучная разметка"], 27: ["Разметить снимки специалистом — это снимает главное ограничение"],
+        28: ["Мультилейбл нарушений"], 29: ["Обучаемый тип нарушения вместо эвристики"],
+        30: ["Больше данных"], 31: ["500+ исследований, чтобы сузить доверительные интервалы"],
+        32: ["Калибровка области"], 33: ["Порог определения области под конкретное оборудование"],
+        34: ["Пилот в клинике"], 35: ["Приоритизация ручного просмотра с обратной связью врача"],
+    })
+
+    # --- Оставляем только нужные слайды и расставляем порядок ---------------------
+    apply_layout(prs, DECK_ORDER, DECK_ORDER)
+
+    out_path.parent.mkdir(parents=True, exist_ok=True)
+    prs.save(str(out_path))
+    return out_path
+
+
+def check(path: Path) -> List[str]:
+    """
+    Проверить результат: не осталось ли инструкций шаблона.
+
+    Заглушки для данных команды помечены «{{...}}» — они ожидаемы и замечанием
+    не считаются, иначе проверка ругалась бы на наши же плейсхолдеры.
+    """
+    prs = Presentation(str(path))
+    problems: List[str] = []
+    for index, slide in enumerate(prs.slides, start=1):
+        for shape in slide.shapes:
+            if not shape.has_text_frame:
+                continue
+            text = shape.text_frame.text
+            if "{{" in text:
+                continue
+            for marker in INSTRUCTION_MARKERS:
+                if marker in text:
+                    problems.append(f"слайд {index}: осталась инструкция шаблона «{marker}»")
+    return problems
+
+
+def main(argv: Iterable[str] | None = None) -> int:
+    parser = argparse.ArgumentParser(description="Сборка презентации решения из шаблона")
+    parser.add_argument("--out", default=str(REPO / "docs" / "deck.pptx"))
+    args = parser.parse_args(list(argv) if argv is not None else None)
+
+    out = Path(args.out)
+    build(out)
+    print(f"собрано: {out} ({out.stat().st_size / 1024 / 1024:.1f} МБ)")
+
+    prs = Presentation(str(out))
+    print(f"слайдов: {len(prs.slides)}")
+    problems = check(out)
+    if problems:
+        print("замечания:")
+        for problem in problems:
+            print("  -", problem)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())